Stratégies Quantitatives De Trading

Accueil Qui sommes-nous? À propos Blog Liens Conditions d'utilisation Quantpedia fournit le matériel sur ce site Web à des fins d'information et d'information. Rien sur ce site Web ne doit être interprété comme indiquant ou impliquant que les résultats passés sont une indication de performance future. Aucune mention d'un titre particulier sur ce site ne constitue une recommandation aux lecteurs d'acheter, de vendre ou de détenir cette garantie. Aucune discussion ou évaluation d'une stratégie d'investissement particulière sur ce site ne constitue une recommandation aux lecteurs d'utiliser la stratégie. Les lecteurs sont responsables de leurs propres recherches et décisions en matière d'investissement. Nous pouvons également, à notre seule discrétion et à tout moment, cesser de fournir, de façon temporaire ou permanente, tout ou partie du site Web, sans préavis. Ce site Web n'est en aucun cas une sollicitation ou une offre de vente de valeurs mobilières ou de services de conseil en placement. Ce site Web n'a pas pour but de fournir des conseils particuliers spécifiques, y compris, sans s'y limiter, des investissements, financiers, juridiques, comptables ou fiscaux. Les informations contenues sur ce site Web sont fournies à titre indicatif uniquement et peuvent être modifiées sans préavis. Quantpedia n'accepte aucune responsabilité pour les inexactitudes dans les informations fournies ou pour toute perte ou dommage de toute nature découlant de l'utilisation de tout ou partie de ce site Web. Quantpedia décline toute responsabilité quant à l'utilisation que vous faites de ce site. L'utilisation de ce site est à vos risques et périls. Ce site Web est fourni sur une base telle quelle et disponible, sans aucune représentation, garantie ou condition de quelque nature que ce soit, expresse ou implicite, y compris, sans limitation, les représentations implicites, les garanties ou les conditions de propriété, la non-contrefaçon, L'adéquation à un but particulier, la performance, la disponibilité, l'actualité, l'exactitude ou l'intégralité, qui sont par la présente révoqués par Quantpedia dans toute la mesure permise par la loi. Quantpedia ne sera en aucun cas responsable envers vous ou toute autre personne de toute perte ou dommage (direct, indirect, spécial, accessoire, économique ou consécutif, exemplaire ou punitif) découlant, lié ou lié à l'utilisation de Ou l'impossibilité d'utiliser, ce site Web ou l'information, ou toute action ou décision prise par vous ou toute autre personne sur la base de ce site Web ou les informations, ou toute utilisation non autorisée ou reproduction de ce site Web ou les informations. Quantpedia ne garantit pas la valeur, l'exactitude ou l'intégralité des informations contenues sur ce site Web ou sur les sites auxquels elle est reliée. Quantpedia décline toute responsabilité pour les contenus tiers, y compris les informations accessibles par le biais d'hyperliens. Le site Web et son contenu ne peuvent être copiés, imités, reproduits, republiés, téléchargés, affichés, transmis, modifiés, reproduits ou distribués de quelque manière que ce soit, en tout ou en partie, sans le consentement exprès écrit préalable. En utilisant le Quantpedia et / ou les services fournis sur ou à travers le Quantpedia, ou en vous inscrivant sur Quantpedia, vous consentez à recevoir des communications électroniques de Quantpedia. Ces communications électroniques peuvent inclure des avis sur les frais applicables et des frais et d'autres informations concernant ou liés à la Quantpedia andor services fournis sur ou par le Quantpedia. Beginner39s Guide de l'échange quantitatif Dans cet article, je vais vous présenter quelques-uns des concepts de base qui accompagnent Un système de commerce quantitatif de bout en bout. Ce post servira espérons deux publics. Le premier sera les individus qui tentent d'obtenir un emploi dans un fonds en tant que commerçant quantitatif. Le deuxième seront les individus qui souhaitent essayer de mettre en place leur propre commerce de détail trading algorithmique. Le commerce quantitatif est un domaine extrêmement sophistiqué de financement quantique. Il peut prendre une quantité importante de temps pour acquérir les connaissances nécessaires pour passer une entrevue ou de construire vos propres stratégies de négociation. Non seulement cela, mais il nécessite une vaste expertise en programmation, à tout le moins dans une langue comme MATLAB, R ou Python. Cependant, à mesure que la fréquence de négociation de la stratégie augmente, les aspects technologiques deviennent beaucoup plus pertinents. Ainsi, être familier avec CC sera d'une importance primordiale. Un système de négociation quantitatif se compose de quatre composantes principales: Stratégie d'identification - Trouver une stratégie, exploiter une arête et de décider de la fréquence de négociation Backtesting Stratégie - Obtenir des données, l'analyse des performances de la stratégie et l'élimination des biais Système d'exécution - Liaison à un courtage, Les coûts de transaction Gestion des risques - allocation optimale du capital, le critère de la taille de betKelly et la psychologie commerciale Bien commencer par jeter un oeil à la façon d'identifier une stratégie de négociation. Identification de la stratégie Tous les processus de négociation quantitative commencent par une période initiale de recherche. Ce processus de recherche englobe la recherche d'une stratégie, la vérification de la pertinence de la stratégie dans un portefeuille d'autres stratégies que vous pouvez exécuter, l'obtention de toutes les données nécessaires pour tester la stratégie et essayer d'optimiser la stratégie pour des rendements plus élevés ou un risque plus faible. Vous devrez tenir compte de vos propres exigences de capital si vous exécutez la stratégie en tant que commerçant de détail et comment les coûts de transaction affecteront la stratégie. Contrairement à la croyance populaire, il est en fait assez simple de trouver des stratégies rentables par le biais de diverses sources publiques. Les universitaires publient régulièrement des résultats de négociation théoriques (bien que la plupart du temps bruts des coûts de transaction). Les blogs financiers quantitatifs discuteront des stratégies en détail. Les revues spécialisées exposeront quelques-unes des stratégies utilisées par les fonds. Vous pourriez vous demander pourquoi les particuliers et les entreprises sont désireux de discuter de leurs stratégies rentables, surtout quand ils savent que d'autres surcharger le commerce peut arrêter la stratégie de travailler à long terme. La raison réside dans le fait qu'ils ne discuteront pas souvent les paramètres exacts et les méthodes de réglage qu'ils ont effectué. Ces optimisations sont la clé pour transformer une stratégie relativement médiocre en une stratégie très rentable. En fait, l'une des meilleures façons de créer vos propres stratégies uniques est de trouver des méthodes similaires et ensuite effectuer votre propre procédure d'optimisation. Voici une petite liste d'endroits pour commencer à chercher des idées de stratégie: Beaucoup des stratégies que vous regarderez tomberont dans les catégories de la réversion moyenne et du trendmomentum de tendance. Une stratégie de renversement moyen est celle qui tente d'exploiter le fait qu'une moyenne à long terme sur une série de prix (telle que l'écart entre deux actifs corrélés) existe et que les écarts à court terme de cette moyenne finiront par revenir. Une stratégie de dynamisme tente d'exploiter à la fois la psychologie des investisseurs et la structure de gros fonds en attelant un tour sur une tendance du marché, qui peut recueillir l'élan dans une direction, et suivre la tendance jusqu'à ce qu'il inverse. Un autre aspect extrêmement important de la négociation quantitative est la fréquence de la stratégie de négociation. La négociation basse fréquence (LFT) se réfère généralement à toute stratégie qui détient des actifs plus longtemps qu'un jour de bourse. En conséquence, la négociation à haute fréquence (HFT) se réfère généralement à une stratégie qui détient des actifs intraday. La négociation à fréquence ultra-haute (UHFT) se réfère à des stratégies qui détiennent des actifs de l'ordre de secondes et de millisecondes. En tant que praticien de vente au détail HFT et UHFT sont certainement possible, mais seulement avec une connaissance détaillée de la pile de la technologie de négociation et la dynamique du carnet de commandes. Nous ne discuterons pas ces aspects dans une grande mesure dans cet article introductif. Une fois qu'une stratégie, ou un ensemble de stratégies, a été identifié, il doit maintenant être testé pour la rentabilité sur les données historiques. C'est le domaine du backtesting. Stratégie Backtesting L'objectif du backtesting est de fournir la preuve que la stratégie identifiée via le processus ci-dessus est rentable lorsqu'il est appliqué aux données historiques et hors de l'échantillon. Cela définit l'attente de la façon dont la stratégie va fonctionner dans le monde réel. Cependant, le backtesting n'est PAS une garantie de succès, pour diverses raisons. C'est peut-être le domaine le plus subtil du commerce quantitatif, car il comporte de nombreux biais, qui doivent être soigneusement considérés et éliminés autant que possible. Nous discuterons des types communs de biais, y compris le biais prospectif. Le biais de survie et le biais d'optimisation (également connu sous le nom de biais de snooping). D'autres domaines d'importance dans le backtesting incluent la disponibilité et la propreté des données historiques, en tenant compte des coûts de transaction réalistes et en décidant d'une solide plate-forme de backtesting. Eh bien discuter des coûts de transaction plus loin dans la section Systèmes d'exécution ci-dessous. Une fois qu'une stratégie a été identifiée, il est nécessaire d'obtenir les données historiques à travers lesquelles effectuer des tests et, peut-être, le raffinement. Il existe un nombre important de fournisseurs de données dans toutes les classes d'actifs. Leurs coûts s'alignent généralement sur la qualité, la profondeur et l'actualité des données. Le point de départ traditionnel pour les commerçants débutants (au moins au niveau du détail) est d'utiliser l'ensemble de données gratuit de Yahoo Finance. Je ne m'attarderai pas trop sur les fournisseurs, mais j'aimerais plutôt me concentrer sur les questions générales lorsqu'on traite des données historiques. Les principales préoccupations concernant les données historiques comprennent la précision de la propreté, le biais de survie et l'ajustement pour les actions de l'entreprise telles que les dividendes et les divisions d'actions: l'exactitude concerne la qualité globale des données - si elle contient des erreurs. Les erreurs peuvent parfois être faciles à identifier, par exemple avec un filtre à pic. Qui choisira des pics incorrects dans les données de séries chronologiques et les corrigera. D'autres fois, ils peuvent être très difficiles à repérer. Il est souvent nécessaire d'avoir deux ou plusieurs fournisseurs et ensuite vérifier toutes leurs données les uns contre les autres. Le biais de survie est souvent une caractéristique des ensembles de données gratuits ou bon marché. Un ensemble de données avec biais de survie signifie qu'il ne contient pas d'actifs qui ne sont plus de négociation. Dans le cas des actions, cela signifie des actions délocalisées. Ce biais signifie que toute stratégie de négociation d'actions testé sur un tel ensemble de données sera probablement mieux performant que dans le monde réel que les gagnants historiques ont déjà été présélectionnés. Les actions de la société comprennent les activités logistiques réalisées par la société qui entraînent habituellement une modification du prix brut qui ne devrait pas être incluse dans le calcul des rendements du prix. Les ajustements pour les dividendes et les divisions d'actions sont les coupables communs. Un processus dit de rétro-ajustement est nécessaire pour être réalisé à chacune de ces actions. Il faut être très prudent de ne pas confondre un partage de stock avec un ajustement de retour vrai. Beaucoup d'un commerçant a été pris au piège par une action d'entreprise Afin de mener à bien une procédure de backtest, il est nécessaire d'utiliser une plate-forme logicielle. Vous avez le choix entre un logiciel de backtest dédié, comme Tradestation, une plate-forme numérique telle que Excel ou MATLAB ou une implémentation personnalisée complète dans un langage de programmation tel que Python ou C. Je n'habiterai pas trop sur Tradestation (ou similaire), Excel ou MATLAB, car je crois en la création d'une pile complète de la technologie interne (pour les raisons énoncées ci-dessous). L'un des avantages de cela est que le logiciel de backtest et le système d'exécution peuvent être étroitement intégrés, même avec des stratégies statistiques extrêmement avancées. Pour les stratégies HFT en particulier, il est essentiel d'utiliser une implémentation personnalisée. Lors du backtesting d'un système, il faut être en mesure de quantifier son rendement. Les mesures standard de l'industrie pour les stratégies quantitatives sont le retrait maximal et le ratio de Sharpe. Le tirage maximal caractérise la baisse la plus importante de la courbe des capitaux propres au cours d'une période donnée (habituellement annuelle). C'est le plus souvent cité comme un pourcentage. Les stratégies LFT auront tendance à avoir des tirages plus importants que les stratégies HFT, en raison d'un certain nombre de facteurs statistiques. Un backtest historique montrera le tirage maximal passé, qui est un bon guide pour la performance de tirage futur de la stratégie. La deuxième mesure est le ratio de Sharpe, qui est défini de façon heuristique comme la moyenne des rendements excédentaires divisée par l'écart-type de ces rendements excédentaires. Ici, les rendements excédentaires renvoient au retour de la stratégie au-dessus d'un indice de référence prédéterminé. Tels que le SP500 ou un projet de loi du Trésor à 3 mois. Il est à noter que le rendement annualisé n'est pas une mesure habituellement utilisée, car il ne tient pas compte de la volatilité de la stratégie (contrairement au ratio de Sharpe). Une fois qu'une stratégie a été testée et est réputée être exempte de biais (autant que cela est possible), avec un bon Sharpe et réduit les tirages, il est temps de construire un système d'exécution. Systèmes d'exécution Un système d'exécution est le moyen par lequel la liste des métiers générés par la stratégie est envoyée et exécutée par le courtier. En dépit du fait que la génération commerciale peut être semi - ou même entièrement automatisée, le mécanisme d'exécution peut être manuel, semi-manuel (c'est-à-dire un clic) ou entièrement automatisé. Pour les stratégies LFT, les techniques manuelles et semi-manuelles sont courantes. Pour les stratégies HFT, il est nécessaire de créer un mécanisme d'exécution entièrement automatisé, qui sera souvent étroitement couplé avec le générateur de commerce (en raison de l'interdépendance de la stratégie et de la technologie). Les principales considérations lors de la création d'un système d'exécution sont l'interface avec le courtage. La minimisation des coûts de transaction (y compris la commission, le glissement et l'écart) et la divergence des performances du système en direct par rapport aux performances testées. Il existe de nombreuses façons d'interface avec une maison de courtage. Ils vont de l'appel de votre courtier sur le téléphone à droite à une entièrement automatisée haute performance Application Programming Interface (API). Idéalement, vous voulez automatiser l'exécution de vos métiers autant que possible. Cela vous libère pour se concentrer sur de nouvelles recherches, ainsi que vous permettre d'exécuter des stratégies multiples ou même des stratégies de plus haute fréquence (en fait, HFT est essentiellement impossible sans exécution automatisée). Les logiciels communs de backtesting décrits ci-dessus, tels que MATLAB, Excel et Tradestation sont bons pour des stratégies plus simples et plus simples. Cependant, il sera nécessaire de construire un système d'exécution interne écrit dans un langage de haute performance comme C afin de faire tout vrai HFT. Comme une anecdote, dans le fonds que j'avais l'habitude d'être employé à, nous avons eu une boucle de 10 minutes de négociation où nous téléchargeons de nouvelles données sur le marché toutes les 10 minutes, puis exécuter des opérations basées sur ces informations dans le même laps de temps. C'était utiliser un script Python optimisé. Pour tout ce qui s'approche de la minute ou des données de deuxième fréquence, je crois que CC serait plus idéal. Dans un fonds plus important, ce n'est pas souvent le domaine du négociant quantique d'optimiser l'exécution. Toutefois, dans les petits magasins ou les entreprises HFT, les commerçants sont les exécuteurs et donc une compétence beaucoup plus large est souvent souhaitable. Gardez cela à l'esprit si vous souhaitez être employé par un fonds. Vos compétences en programmation seront aussi importantes, voire plus, que vos talents statistiques et économétriques Un autre problème majeur qui tombe sous le signe de l'exécution est celui de la réduction des coûts de transaction. Il y a généralement trois composantes des coûts de transaction: les commissions (ou taxes), qui sont les frais facturés par la maison de courtage, l'échange et le dérapage de la SEC (ou d'un organisme de réglementation gouvernemental similaire), qui est la différence entre ce que vous vouliez que votre commande soit Rempli à l'égard de ce qu'il a été réellement rempli à l'écart, qui est la différence entre le prix bidask de la valeur marchande. Notez que l'écart n'est PAS constant et dépend de la liquidité actuelle (c'est-à-dire la disponibilité des ordres d'achat) sur le marché. Les coûts de transaction peuvent faire la différence entre une stratégie extrêmement rentable avec un bon ratio Sharpe et une stratégie extrêmement peu rentable avec un terrible ratio de Sharpe. Il peut être difficile de prédire correctement les coûts de transaction à partir d'un backtest. En fonction de la fréquence de la stratégie, vous aurez besoin d'accéder à des données d'échange historiques, qui incluront des données de tick pour les prix bidask. Des équipes entières de quants sont dédiées à l'optimisation de l'exécution dans les fonds plus importants, pour ces raisons. Considérons le scénario dans lequel un fonds doit décharger une quantité importante de métiers (dont les raisons sont nombreuses et variées). En déversant autant d'actions sur le marché, elles dépriment rapidement le prix et peuvent ne pas obtenir une exécution optimale. D'où les algorithmes qui gouttent les ordres d'alimentation sur le marché existent, bien que le fonds court alors le risque de glissement. De plus, d'autres stratégies envahissent ces nécessités et peuvent exploiter les inefficacités. C'est le domaine de l'arbitrage de la structure du fonds. Le dernier problème majeur pour les systèmes d'exécution concerne la divergence des performances de la stratégie par rapport aux performances testées. Cela peut se produire pour plusieurs raisons. Nous avons déjà discuté du biais prospectif et du biais d'optimisation en profondeur, lors de l'examen de backtests. Cependant, certaines stratégies ne permettent pas de tester facilement ces biais avant le déploiement. Cela se produit dans HFT plus prédominante. Il peut y avoir des bugs dans le système d'exécution ainsi que la stratégie de négociation elle-même qui ne s'affichent pas sur un backtest, mais ne se présentent dans le commerce en direct. Le marché a peut-être fait l'objet d'un changement de régime après le déploiement de votre stratégie. De nouveaux environnements réglementaires, l'évolution du sentiment des investisseurs et les phénomènes macroéconomiques peuvent tous conduire à des divergences dans la façon dont le marché se comporte et donc la rentabilité de votre stratégie. Gestion des risques La dernière pièce du puzzle de négociation quantitative est le processus de gestion des risques. Le risque inclut tous les biais précédents dont nous avons discuté. Il comprend le risque technologique, tels que les serveurs co-situé à l'échange de soudainement développer un dysfonctionnement du disque dur. Il inclut le risque de courtage, comme le courtier faillite (pas aussi fou que cela semble, étant donné le récent effroi avec MF Global). En bref, il couvre presque tout ce qui pourrait interférer avec la mise en œuvre de négociation, dont il existe de nombreuses sources. Tous les livres sont consacrés à la gestion des risques pour les stratégies quantitatives, donc je ne vais pas essayer d'élucider sur toutes les sources possibles de risque ici. La gestion des risques englobe également ce que l'on appelle l'allocation optimale du capital. Qui est une branche de la théorie du portefeuille. C'est le moyen par lequel le capital est alloué à un ensemble de stratégies différentes et aux métiers au sein de ces stratégies. C'est un domaine complexe et repose sur des mathématiques non triviales. La norme de l'industrie par laquelle l'allocation optimale du capital et l'effet de levier des stratégies sont liées est appelée le critère de Kelly. Comme il s'agit d'un article introductif, je n'insisterai pas sur son calcul. Le critère de Kelly fait certaines hypothèses sur la nature statistique des rendements, qui ne sont pas souvent vrai dans les marchés financiers, donc les commerçants sont souvent conservateurs quand il s'agit de la mise en œuvre. Une autre composante essentielle de la gestion des risques est le traitement de son propre profil psychologique. Il existe de nombreux biais cognitifs qui peuvent s'introduire dans le commerce. Bien que cela soit certes moins problématique avec trading algorithmique si la stratégie est laissé seul Un préjugé commun est celui de l'aversion à la perte où une position perdante ne sera pas fermé en raison de la douleur d'avoir à réaliser une perte. De même, les bénéfices peuvent être pris trop tôt parce que la peur de perdre un bénéfice déjà gagné peut être trop grande. Un autre biais commun est connu comme biais récence. Cela se manifeste lorsque les traders mettent trop l'accent sur les événements récents et non sur le long terme. Ensuite, bien sûr, il ya la paire classique de préjugés émotionnels - la peur et la cupidité. Ceux-ci peuvent souvent conduire à un sous - ou un surendettement, ce qui peut provoquer un gonflement (c'est-à-dire l'équité du compte à zéro ou pire) ou des bénéfices réduits. Comme on peut le constater, le commerce quantitatif est un domaine de financement quantitatif extrêmement complexe, quoique très intéressant. J'ai littéralement rayé la surface du sujet dans cet article et il est déjà assez long Livres entiers et des documents ont été écrits sur des questions que je n'ai donné qu'une phrase ou deux vers. Pour cette raison, avant de demander des emplois de négociation de fonds quantitatifs, il est nécessaire d'effectuer une quantité importante de l'étude de terrain. À tout le moins, vous aurez besoin d'un vaste bagage en statistiques et économétrie, avec beaucoup d'expérience dans la mise en œuvre, via un langage de programmation comme MATLAB, Python ou R. Pour des stratégies plus sophistiquées à la fin de fréquence plus élevée, votre ensemble de compétences est probable Pour inclure la modification du noyau Linux, le CC, la programmation d'assemblage et l'optimisation de la latence du réseau. Si vous êtes intéressé à essayer de créer vos propres stratégies de trading algorithmique, ma première suggestion serait d'obtenir de bons programmes. Ma préférence est de construire autant de données grabber, backtestter stratégie et le système d'exécution par vous-même que possible. Si votre propre capital est sur la ligne, wouldnt vous dormez mieux la nuit sachant que vous avez pleinement testé votre système et sont conscients de ses pièges et des questions particulières Externaliser cela à un vendeur, tout en économisant potentiellement du temps à court terme, pourrait être extrêmement À la hausse et à la baisse dans le long terme. Résultats de la saisonnalité en stock Sunday, 8 January, 2017 Auteurs: Hirschleifer, Jiang, Meng Titre: Mood Beta et Saisonnalité dans les stocks de retours Les recherches existantes ont documenté la saisonnalité transversale des rendements de stock ndash la surperformance périodique de certains Stocks par rapport à d'autres pendant les périodes du même mois civil, de la semaine ou de la période de pré-vacances. Un modèle basé sur la sensibilité différentielle des stocks à l'humeur des investisseurs explique ces effets et implique un nouvel ensemble de modèles saisonniers. Nous constatons que la performance relative entre les stocks pendant les périodes d'humeur positives (par exemple, janvier, vendredi, meilleur mois de retour réalisé dans l'année, meilleure journée de retour réalisée avant la fête) tend à persister dans les périodes futures avec une humeur congruente (P. Ex. Janvier, vendredi, pré-vacances) et inverser les périodes d'humeur non congruente (octobre, lundi, après-vacances). Les stocks dont les bêtas d'humeur sont plus élevées sont estimés pendant les fenêtres saisonnières d'humeur forte (par exemple JanvierOctobre, LundiFriday, ou pré-vacances) gagnent des rendements attendus plus élevés pendant les saisons d'humeur positives futures mais diminuent les rendements attendus pendant les saisons d'humeur négatives futures. Nous proposons ici une théorie basée sur l'humeur des investisseurs pour offrir une explication intégrée des saisonnalités connues, tant au niveau agrégé que transversal, et d'offrir de nouvelles implications empiriques que nous mettons également à l'épreuve. Dans notre modèle, les fluctuations d'humeur positives (négatives) des investisseurs provoquent un optimisme périodique (pessimisme) en évaluant les signaux sur les éléments actifs et systématiques de paiement. Il en résulte une variation saisonnière de la tarification erronée et de la prévisibilité du retour. Conformément aux prédictions du modèle, nous découvrons un ensemble de nouvelles saisonnalités de retour transversales basées sur l'idée que les stocks qui ont été très sensibles aux fluctuations saisonnières de l'humeur dans le passé seront également sensibles à l'avenir. En d'autres termes, certains stocks ont une sensibilité plus élevée aux changements d'humeur (bêta d'humeur plus élevée) que d'autres, ce qui crée un lien entre les saisonnalités agrégées et les saisonnalités dans la section transversale des rendements. En particulier, nous soutenons que l'humeur des investisseurs varie systématiquement entre les mois civils, les jours de semaine et les jours fériés. En conséquence, une humeur bêta estimée en utilisant des rendements de sécurité en saisons avec des changements d'humeur aide à prédire les rendements saisonniers futurs dans d'autres périodes où l'humeur devrait changer. Pendant notre période d'échantillonnage 1963-2015. Le rendement moyen en stock excédentaire (mesuré par le rendement indexé pondéré égal au CRSP moins le taux sans risque) est le plus élevé en janvier et le plus bas en octobre. Ainsi, nous nous concentrons sur Janvier comme un proxy pour un investisseur état de haute humeur et Octobre pour un état de faible humeur. En utilisant les régressions de Fama-MacBeth, nous vérifions les résultats de Heston et de Sadka (2008) pour Janvier et Octobre-janvier. En janvier (octobre), la performance relative tend à persister en janvier (octobre) pour les dix années suivantes ou plus. Dans notre interprétation, les stocks qui font mieux que d'autres pendant un mois aura tendance à faire mieux encore dans le même mois à l'avenir parce qu'il ya une humeur congruent à ce moment-là. En outre, nous trouvons un nouvel effet d'inversion qui traverse des mois avec des humeurs incongrues historiques Janvier (Octobre) renvoie dans la section transversale a tendance à sensiblement inverser à Octobre suivants (Januaries). Un stock qui a fait mieux que les autres stocks en Janvier tend à faire pire que les autres stocks en Octobre pour les cinq prochaines années ou plus. Une augmentation d'un écart type dans le congruent historique (incongru) - calendrier-mois entraîne une augmentation moyenne (17 diminution) dans les dix prochaines années, par rapport aux rendements moyens de janvier-octobre. Notre explication de ces effets n'est pas spécifique à la fréquence mensuelle. Une façon utile de contester notre théorie est donc de tester des saisonnalités transversales comparables à d'autres fréquences. Passant au domaine des rendements quotidiens, nous documentons un ensemble similaire de congruentincongruent-mood-weekday return persistance et les effets d'inversion. Nous confirmons cet effet de persistance de retour pour les rendez-vous du lundi et du vendredi, puis montrons, analogue aux résultats mensuels, qu'un effet de persistance de retour congruent-mood-weekday s'applique: performance relative entre les stocks sur le best-market - Retour) réalisé en une semaine a tendance à persister les dix vendredis (lundi) et au-delà, lorsque de bonnes (mauvaises) performances du marché devraient se poursuivre. Une augmentation d'un écart-type dans le retour de la semaine de congruence historique ou du retour de la semaine de l'humeur congruente est associée à une moyenne de 4 ou 12 rendements supérieurs dans les dix prochains jours du lundi. Au niveau des stocks individuels, il existe une saisonnalité transversale avant les vacances, dans laquelle les actions qui, historiquement, ont gagné des rendements plus élevés avant les vacances, gagnent en moyenne plus de retours avant les vacances pour les mêmes vacances au cours des dix prochaines années. Les effets de la persistance et de l'inversion transversales du rendement entre les mois, les jours de semaine et les jours fériés concordent globalement avec nos prédictions théoriques selon lesquelles les fluctuations de l'humeur saisonnières des investisseurs causent des perceptions erronées saisonnières sur les rendements des facteurs et des entreprises. Ces prédictions sont basées sur l'idée que les différents stocks ont une humeur différente de la sensibilité de retour à la faiblesse des facteurs induits par les chocs de l'humeur. Nous soutenons que le concept d'humeur bêta intègre divers effets saisonniers. Nous effectuons donc des tests plus directs de la prédiction du modèle que les bêtas d'humeur aidera à prévoir la performance relative des stocks en différentes saisons. quot Quantpiai série Quantpédia Trading Series Stratégie: Equity Cross-Sectional Réversion Moyenne Thursday, 29 December, 2016 Quantopian amp Quantpedia Trading Strategy Series se poursuit. Maintenant avec un 4e article, de nouveau écrit par Matthew Lee, axé sur l'équité transversale Mean Reversion (Stratégie 13): Réversion moyenne transversale des stocks (forte tendance des stocks avec de fortes pertes de renversement à court terme - Jusqu'à un mois) est une observation du marché bien connue et la principale raison pour laquelle tant de chercheurs universitaires utilisent généralement une mesure de moment de 2 à 12 (retours au cours des 12 derniers mois, à l'exclusion de la précédente) lors de l'examen de l'anomalie de la quantité de mouvement. Beaucoup de documents universitaires ont examiné cet effet, les plus notables sont les documents de Jagadesh. Et Bruce Lehmann (voir la section Autres articles sur la sous-page Quantpedia pour cette stratégie de renversement pour des travaux de recherche universitaires supplémentaires). La plupart des universitaires spéculent que les raisons fondamentales de l'anomalie sont les frictions entre marché et microstructure (bid-ask bounce) ou les biais cognitifs de l'investisseur39 - une réaction excessive à des informations passées et une correction de cette réaction après un court horizon de temps. Mais est-ce simple stratégie d'équité encore rentable Matthew Lee de Quantopian effectué une analyse indépendante au cours d'une hors période d'échantillonnage du 12-01-2011 au 12-01-2016. Dans l'ensemble, le rendement de la stratégie d'inversion de titres à court terme simple est inférieur au marché. Mais, il faut noter que cette stratégie est longshort par rapport à juste long-only benchmark d'équité (qui est l'ESPY). Donc, si nous voulons comparer la performance totale de cette stratégie, nous devrions comparer long seulement l'inversion des stocks quotloser décilequot. Longshort stratégie de renversement d'actions a un ratio de Sharpe 0,84 et bêta de 0,15. Sharpe ratio de la version longshort est comparable au portefeuille de marché et une faible corrélation de la stratégie de renversement d'actions en fait un complément possible au portefeuille de placements. Toutefois. La stratégie de renversement est très active (rééquilibrage hebdomadaire et bisannuel), ce qui entraîne des coûts de transaction élevés et un glissement. Donc, une prudence vraiment élevée devrait être payée dans une mise en œuvre du monde réel et des mesures qui tente de limiter le chiffre d'affaires de la stratégie devraient être prises. La courbe d'équité OOS finale: Merci pour l'analyse Matthew Vous pouvez également vérifier en premier. Deuxième ou troisième article de cette série si vous avez aimé le courant. Restez à l'écoute pour la prochaine. Cet article étudie la relation entre les conditions monétaires et les rendements excédentaires découlant d'une stratégie d'investissement qui consiste à emprunter des devises à taux d'intérêt bas et à investir dans des devises à faible taux d'intérêt Monnaies à taux d'intérêt élevés, ce que l'on appelle le commerce de quotcarry. Les résultats indiquent que le rendement moyen du rendement de carry trade, le ratio de Sharpe et le quantile 5 diffèrent considérablement de la politique monétaire expansive et restrictive conventionnelle avant le début de la récente crise financière. En revanche, les paramètres considérés ne sont pas affectés par la politique monétaire non conventionnelle pendant la crise financière. Des citations notables du document de recherche universitaire: «Mon résultat principal est que le rendement moyen du portefeuille de carry trade, le ratio de Sharpe et le 5 quantiles, sont nettement supérieurs à la politique monétaire expansive et restrictive avant le début de la récente crise financière. Spécifiquement, je constate que les périodes expansives sont caractérisées par des rendements moyens significativement plus élevés et des ratios de Sharpe et un risque de baisse plus bas. À cet égard, je soutiens que la politique monétaire expansive conventionnelle est en mesure d'améliorer les attentes du marché dans tous les pays et, par conséquent, de réduire le risque de volatilité des devises. Cela génère une appréciation de la monnaie pour les pays débiteurs nets et une augmentation des bénéfices du carry trade. Deuxièmement, je présente des preuves suggérant que les paramètres considérés sont semblables à travers agressif et la stabilisation de la politique monétaire non conventionnelle au cours de la récente crise financière. Ainsi, la Réserve fédérale ne pouvait pas répondre aux attentes du marché pendant cette période. Pour les investisseurs, cette évidence suggère que les récompenses du carry trade varient avec les changements dans les conditions monétaires seulement pendant des périodes normales. Pour les chercheurs, ces données suggèrent que la reconnaissance de la pertinence de la politique monétaire est cruciale pour comprendre les répercussions sur les prix du risque de volatilité des devises étrangères pour le commerce de carry trade. quot Une analyse intéressante du ratio CAPE de Shiller Samedi 17 décembre 2016 CAPE: Calendrier et risque du marché Robert Shiller montre que le rapport prix / bénéfice ajusté cycliquement (CAPE) est fortement associé aux rendements futurs à long terme des actions. Ce résultat a souvent été interprété comme une preuve d'inefficacité du marché. Nous présentons deux constatations qui sont contraires à une telle interprétation. Premièrement, si les marchés sont efficaces, les rendements en moyenne, même lorsqu'ils sont conditionnels à l'ACEP, devraient être supérieurs au taux sans risque. We find that even when CAPE is in its ninth decile, future 10-year stock returns, on average, are higher than future returns on 10-year Treasurys. Thus, the results are largely consistent with market efficiency. Only when CAPE is very high, say, CAPE is in the upper half of the tenth decile (CAPE higher than 27.6), future 10-year stock returns, on average, are lower than those on 10-year U. S. Treasurys. Second, we provide a risk-based explanation for the association between CAPE and future stock returns. We find that CAPE and future stock returns are positively associated with future stock market volatility. Overall, CAPE levels do not seem to reflect market inefficiency and do reflect risk (volatility). Notable quotations from the academic research paper: quotAmong various market valuation indicators proposed over the history of the stock market, one of the most popular ones is Robert Shillerrsquos Cyclically Adjusted Price to Earnings Ratio (CAPE). CAPE is defined as the current price of the SampP 500 index divided by the SampP 500 indexrsquos ten-year average inflation-adjusted earnings. John Campbell and Robert Shiller have analyzed the relationship between CAPE and future stock returns in a series of articles. They show that future 10-year stock returns on the SampP 500 index are negatively associated with CAPE. Shiller (1996, p. 2) concludes that ldquohellipthe association seems so strong as to suggest that this relation is not consistent with the efficient markets or random walk model. rdquo In contrast, proponents of market efficiency argue that this evidence is consistent with ldquorational swings in expected returnsrdquo (Fama). The debate continues unabated to this day and interest in understanding CAPE remains high. In this paper, we present two sets of analyses to shed light on this ongoing debate on market efficiency. First, if markets are efficient, knowing CAPE should not help investors earn superior future returns by selling (buying) stocks and buying (selling) a risk-free asset when CAPE is high (low). In other words, market timing strategies using CAPE should not be profitable. However, we are not aware of any formal tests of such strategies. We find that with the exception of the periods when CAPE is in the upper half of its 10th decile (CAPE higher than 27.6), on average, it is not beneficial to time the market. For the most part, investors cannot profit from the evidence that CAPE is associated with future 10-year stock returns. Second, if markets are efficient, CAPE (and future stock market returns) should be associated with overall risk in the stock market. We test this hypothesis by analyzing the association between CAPE (and future stock market returns) and future stock return volatility (risk). We find that CAPE (and 10-year future stock returns) is associated with future 10-year volatility of stock returns. Thus, risk as measured by volatility seems to be a potential explanation for CAPE-based patterns in stock returns. Overall, the ability of CAPE to forecast future stock market returns appears consistent with a positive association between risk and returns. It does not seem to imply that markets are inefficient. quot Sources of Return for CTAs - A Brief Survey of Relevant Research Friday, 9 December, 2016 A related paper has been added to: 118 - Time Series Momentum Effect Title: What are the Sources of Return for CTAs and Commodity Indices A Brief Survey of Relevant Research This survey paper will discuss the (potential) structural sources of return for both CTAs and commodity indices based on a review of empirical research articles from both academics and practitioners. The paper specifically covers (a) the long-term return sources for both managed futures programs and for commodity indices (b) the investor expectations and the portfolio context for futures strategies and (c) how to benchmark these strategies. Notable quotations from the academic research paper: quotIn the academic literature, one can find strong evidence ndash historically at least ndash for there being persistent returns in futures programs due to momentum, roll yield, and also due to rebalancing. This is actually the case across asset classes, and not just for commodity futures contracts. The AQR authors theorised that ldquoprice trends exist in part due to long-standing behavioural biases exhibited by investors, such as anchoring and herding, as well as the trading activity of non-profit seeking participants, such as central banks and corporate hedging programs. rdquo Assuming these factors continue, the long-term profitability from momentum strategies might also continue, and not just be a matter of history. ldquoHowever, the. strategy also exposed investors to large losses. during both historical periods, rdquo noted the Federal Reserve Bank of Chicago paper (Chabot et al. (2014)). Interestingly, ldquomomentum. losses were apparently predictablerdquo. In both historical periods, losses were ldquomore likely when momentum recently performed well. rdquo For the 1867 to 1907 period, losses were more likely when ldquointerest rates were relatively low. rdquo And for the 1927 to 2012 period, losses were more likely when ldquomomentum had recently outperformed the stock marketrdquo. Each of these periods were ldquotimes when borrowing or attracting return chasing lsquoblind capitalrsquo would have been easier. rdquo The authors argue that the periodic large losses, associated with the strategy plausibly becoming too popular, ldquoplay an important role in sustainingrdquo the momentum strategyrsquos historical returns. In addition to momentum, the empirical literature also documents that ldquoroll yieldrdquo can be considered a structural source of return, at least over long periods of time. For example, Campbell amp Company (2013) described a proprietary trend-following benchmark, in which they calculated returns from 1972 through November 2012, and which included a selection of equity, fixed income, foreign exchange, and commodity markets. Over this 40-year period, approximately half of the benchmarkrsquos cumulative performance was due to spot return, and the other half was due to roll yield. Over long horizons, the roll yield is important mainly for commodity futures contracts. This is because of another structural feature of commodity markets: mean reversion. If a commodity has a tendency over long enough timeframes to mean-revert, then by construction, returns cannot be due to a long-term appreciation (or depreciation) in spot prices. In that case, over a sufficient time frame, the futures-only return for a futures contract would have to basically collapse to its roll yield. Can we observe this historically in commodity futures markets The answer is essentially yes. The mean-reversion of commodity prices can also have meaningful consequences for returns at the portfolio - or index-level. Specifically, this feature is at the root of an additional source of return, quite separate from trends in spot prices or the potential persistence of curve-structure effects. That potential additional source of return is the return from rebalancing. Erb and Harvey (2006) discussed how there can be meaningful returns from rebalancing a portfolio of lowly-correlated, high-variance instruments. The rebalancing effect was explained Greer et al. (2014), as follows: ldquoA lsquorebalancing returnrsquo. can naturally accrue from periodically resetting a portfolio of assets back to its strategic weights, causing the investor to sell assets that have gone up in value and buy assets that have declined. rdquo One caveat is that onersquos holding period may have to be quite long term in order for these return effects to be apparent. However, even structurally positive returns may be insufficient to motivate investors to consider futures products. A CTA (or global macro) investor may require that the programrsquos return profile is also long-options-like and an institutional investor will expect that a commodity index will provide diversification for a stock-and-bond portfolio. The paper also noted that how these programs are benchmarked will depend on whether a futures program is considered a beta, an alternative beta, pure alpha, or well-timed beta. This paper correspondingly provided recommendations for benchmarks for each of these types of investment exposures. quot