A proposito di questa rivista The Journal of strategie di investimento è dedicato al trattamento rigoroso delle moderne strategie di investimento che vanno ben oltre gli approcci classici in entrambi i suoi strumenti e le metodologie soggetti. Nel fornire una rappresentanza equilibrata di accademici, di ricerca buy-side e sell-side, il Journal promuove l'impollinazione incrociata di idee tra ricercatori e professionisti, il raggiungimento di un nesso unico del mondo accademico e dell'industria, da un lato, e teorica e modelli applicati sulla altro. Il giornale contiene articoli di ricerca in profondità così come articoli di discussione su argomenti tecnici e di mercato, e ha lo scopo di dotare la comunità di investimento globale con la ricerca pratica e all'avanguardia al fine di comprendere e realizzare moderne strategie di investimento. Con un focus su importanti strategie di investimento contemporanea, tecniche e di gestione, la rivista considera i documenti sui seguenti settori: strategie fondamentali. tra cui macro fondamentale, equità fondamentale o di selezione di credito strategie di valore relativo. la stima di investire e nella relativa valutazione dei titoli relativi, sia di vaniglia e derivati tattico strategie. strategie basate sulla previsione dei, e che investono in, modelli di comportamento di mercato, come la quantità di moto o di mean reversion, e strategie di asset allocation tattica. Le strategie event-driven: strategie basate sulla previsione di probabilità di eventi-movimento di mercato o le reazioni del mercato a tali eventi algoritmico strategie di trading. modelli di microstruttura di mercato, l'impatto di liquidità e di mercato e l'esecuzione del commercio algoritmico e strategie di market-making strategie di investimento principali. strategie di investimento per i titoli illiquidi e la proprietà principale o finanziamento di attività reali e le imprese Portfolio Management e Asset Allocation. modelli per l'ottimizzazione del portafoglio, il controllo del rischio, l'attribuzione delle prestazioni e asset allocation econometrici e metodi statistici. con applicazioni a strategie di investimento è stato selezionato The Journal di strategie di investimento per la copertura a Thomson Reuters Fonti Emerging Citation Index. Questa studi di carta centralità (rischio interconnessione) le misure e il loro valore aggiunto in un quadro di ottimizzazione del portafoglio attivo. In questo lavoro gli autori indagano come costi di transazione a tariffa fissa influenzano portafoglio riequilibrio. Gli autori propongono un quadro analitico per misurare le opportunità di investimento e di allocare il rischio nel tempo in base alla distanza di Mahalanobis. In questo lavoro, gli autori danno algoritmi completi e il codice sorgente per la costruzione di modelli di rischio statistici. Il presente documento propone utilizzando un meccanismo di ottimizzazione nel processo di costruzione del portafoglio di copertura valutaria. Gli autori di questo documento derivano una strategia di trading ottimale che benchmark il prezzo di chiusura in un quadro di ottimizzazione meanvariance. Gli autori di questo documento hanno lo scopo di demistificare portafogli selezionati dalla ottimizzazione robusta, cercando di limitare i portafogli nei casi di grandi e piccoli l'incertezza dei rendimenti medi. Gli autori di questo documento analizzano un portafoglio pari-peso di cross-asset-class esposizioni globali fattori di rischio. Gli autori di questo studio forniscono un algoritmo completo e il codice sorgente per la costruzione di modelli generali di rischio multifattoriale tramite qualsiasi combinazione di fattori di stile, componenti principali fattori del settore Andor. Questo documento utilizza il framework strategie Kelly frazionale per dimostrare che i portafogli ottimali con titoli a basso beta generano maggiore ricchezza mediana e inferiore rischio di perdite intra-orizzonte. Gli autori di questo documento si applicano un approccio lungimirante al portafoglio varianza minima problema di ottimizzazione per una selezione di 100 titoli. Questo lavoro indaga le cause di anomalia qualità esplorando due possibili spiegazioni - la vista del rischio e la vista comportamentale. Questo documento indaga la progettazione ottimale dei fondi che assicurano una protezione del capitale a scadenza specifica. Questo lavoro studia il problema del trading ottimale usando predittori generali alfa con costi lineari e l'impatto temporaneo. Questo documento proietta un portafoglio fattore vincoli ottimale su un insieme di tutti i portafogli possibili utilizzando il tracking error come una misura di distanza. Questo documento analizza i dati empirici per 4000 portafogli di negoziazione di vita reale con la tenuta periodi di circa 0,7-19 giorni di negoziazione. Questo documento deriva formule esplicite per la curva ottimale di trading realizzazione deficit con impatto sul mercato lineari e non lineari. Gli autori di questo documento propongono un metodo di selezione in base a un metodo di selezione variabile utilizzata con APC in statistica multivariata. Questo articolo mette a confronto sedici distinte strategie di campagna di selezione all'interno di un campione di settantotto paesi tra il 1999-2015. Questo documento individua una serie di inefficienze strutturali del mercato azionario small cap statunitense che possono essere utilizzate per generare analisi alpha. Quantitative di Terry Benzschawel Basandosi sul best-seller prima edizione, autore Terry Benzschawel avanza argomenti trattati in Modelling rischio di credito che delinea la realtà di default e dei recuperi, poi dettagliare modelli di credito e titoli di credito prima di presentare alcune applicazioni del mondo reale. Youll imparare a misurare, siepe e prevedere tecniche affidabili del premio del rischio di credito ndash per fare soldi nei mercati del credito ndash ed essere in grado di aiutare la tua azienda a gestire meglio la loro esposizione al rischio di credito. A cura di Dr. Chris Kenyon e il dottor Andrew Green Le nuove sfide di FVA, DVA e CVA significa che il comportamento commerciale e la natura degli scambi devono essere adattate a queste rettifiche di valore. Editors Chris Kenyon e Andrew Green si riuniscono carte classici su questi aggiustamenti dei prezzi controversi, dal lavoro seminale da Hull e bianco sulla FVA agli ultimi sviluppi con MVA e dei prezzi, consentendo di acquisire familiarità con il dibattito in continua evoluzione. Questi pezzi perenni sono posti accanto a più recente lavoro sulla regolamentazione e la contabilità, che fornisce l'accesso al lavoro più all'avanguardia più tradizionale e in questo settore in un unico volume. Per saperne di più su Luoghi d'interesse in XVA con l'editor Andrew Green in questo video esclusivo a cura di Kimmo Soramki e Samantha Cook La crisi finanziaria globale ha spinto a casa i limiti di analisi statistica tradizionale per identificare i rischi sistemici derivanti da debolezze strutturali. Molti osservatori si sono resi conto che i mercati economici e finanziari sono esempi di complessi, altamente interconnessi, dinamici, sistemi adattativi. analisi di rete è sempre più visto come un importante strumento per la classificazione e il monitoraggio delle caratteristiche chiave di questi sistemi e per individuare le aree di potenziale vulnerabilità. Teoria della rete e dei rischi finanziari è una tempestiva introduzione a questo argomento essenziale. Anche se non per la matematica deboli di cuore, servirà per molti anni a venire come una risorsa vitale per coloro che cercano solida preparazione tecnica in questo settore. David M. Rowe, Ph. D. Il presidente, David M. Rowe Risk Advisory e da lungo tempo Analisi dei rischi editorialista per le reti lsquoFinancial rivista rischio sono tutti intorno a usrsquo - questo è come il libro inizia. C'è un modo migliore per esprimere la potenza del l'uso della teoria delle reti per affrontare i problemi finanziari Teoria della rete e dei rischi finanziari dà una visione completa sulle reti finanziarie e prende il prossimo passo verso applicazioni e la visualizzazione. Kimmo e Samantha hanno fornito una panoramica esaustiva delle reti tecniche finanziarie combinate con molti esempi che portano l'astrazione del soggetto di comprensione pratica. Tiziana Di Matteo Professore di Econofisica, Dipartimento di Matematica, Kings College di Londra La crisi finanziaria del 2007-2009 ha dimostrato i pericoli di ignorare le connessioni a sistemi complessi per l'economia e la finanza: Lehman Brothers e AIG werenrsquot i più grandi giocatori in termini di dimensioni, ma erano molto altamente connessi nei mercati e loro fallimenti hanno portato a shock in tutto il sistema finanziario che si sentire ancora oggi. Di conseguenza, le applicazioni della teoria della rete stanno diventando sempre più presente nel campo della finanza, con l'analisi di rete che fornisce risposte alle domande in cui i metodi di analisi tradizionali sono deboli e anche portando a modelli migliorati in vaste tipologie di rischio. In realtà, le reti sono alla base praticamente ogni tipo di rischio, tra cui la liquidità, operativi, di assicurazione, e il rischio di credito. Tuttavia, mentre approcci rete sono molto utili, comprendere reti complesse non è facile. Teoria della rete e dei rischi finanziari è una guida hands-on per l'analisi e la modellazione reti finanziarie. Gli autori Kimmo Soramaki e Samantha Cook forniscono un'introduzione approfondita alla rete teoria ed esaminare gli strumenti generali per l'analisi della rete, specificando la copertura di quattro tipi di ampiamente-occorrenti reti finanziarie: i sistemi di pagamento, le reti di esposizione, reti commerciali, e le reti di correlazione di asset. Scarica un campione gratuito di Teoria della rete e dei rischi finanziari qui oggi. Da modelli Alexander Denev probabilistica grafici fornisce una panoramica di MGP (un quadro che comprenda tecniche come reti bayesiane, campi aleatori di Markov e grafici a catena), che incorporano informazioni lungimiranti per prendere decisioni finanziarie, e li applica a prove di stress, asset allocation, di copertura e il rischio di credito. Questo approccio descrive un nuovo modo fare i conti con lo stress test (una grande componente di regolamenti come CCAR, il AIFMD, e Solvency II), insegna al lettore come rafforzare i loro portafogli, presenta un modo lungimirante di condurre coda di copertura, e dà un quadro chiaro del rischio di credito dell'ente in questione (ad esempio una banca o di un hedge fund). Con Timothy F. Peterson Nonostante l'enorme crescita degli investimenti alternativi, pratiche di misurazione delle prestazioni in questo settore sono di massima intorno ai bordi. Gli analisti di prestazioni con il compito di misurare e rendicontare i rendimenti delle attività alternative affrontano questioni riguardanti il metodo ritornano da utilizzare, leva che crea denominatori negativi nel calcolo di ritorno, una miriade di problemi di valutazione, e le sfide connesse con l'analisi comparativa queste strategie uniche. Performance Measurement per Alternative Investments è il primo del suo genere per spiegare come superare questi ostacoli principali, e cerca di aiutare ad unire due mondi che finora sono stati tenuti abbastanza bene a parte: quello dell'analista prestazioni che cercano di comunicare i risultati alle parti interessate, e che del portfolio Manager responsabile per il processo decisionale di investimento. Date un'occhiata a l'introduzione qui Autore Timothy Peterson, un partner a Ashland Partners con la responsabilità esecutiva per oltre 100 relazioni con i clienti, tra cui le aziende più grandi clienti ldquohousehold namerdquo, è un esperto di misurazione delle performance degli investimenti che si specializza in attività alternative. Con Paolo Sironi Goal-based e lungo termine Modern Portfolio Portfolio Management Scelta fornisce una metodologia per la scelta di portafoglio basato su moderne tecniche di gestione del rischio e una più chiara definizione del profilo riskreturn investimenti per caratterizzare l'investimento basata su obiettivi e l'ottimizzazione scenari probabilistici. I mercati finanziari hanno subito un periodo di disagio che ha teso il rapporto di fiducia tra gli investitori e consulenti finanziari nuovo regolamento è stato forgiato a spingere per i livelli più elevati di trasparenza e di comunicazione basato sul rischio, come parte di un investimento processo decisionale. Questo ha dato il via alla ricerca di tecniche di ottimizzazione meglio di portafoglio in grado di combinare il valore aggiunto asimmetria dei prodotti reali (come hanno contribuito fortemente a pre-crisi i budget) con le esigenze del ciclo di vita degli investitori, sostenuti da rappresentazione grafica intuitiva di matematica apparentemente complesso i rapporti tra portafogli reali e prodotti come previsto dal regolamento. Dopo aver letto moderna Portfolio Management. lettori capiranno l'importanza di simulare titoli reali (reddito in particolare fisso e prodotti strutturati) durante la realizzazione di portafogli ottimali, così come l'importanza di simulare investimenti finanziari nel corso del tempo per abbinare in modo trasparente gli obiettivi reali e vincoli, invece di basarsi esclusivamente su performance passate o giudizio personale. A cura di Alexander Lipton Alex Lipton, un esperto che domina nel campo della modellazione quantitativa in finanza, e il primo destinatario del Quant of the Year Award da Risk Magazine, ha messo insieme questa raccolta di carte seminali che ha vinto i loro rispettivi autori il prestigioso premio che è giunto alla sua quindicesima edizione. Quant of the Year 2000-2014 è una lettura obbligata per entrambe le aspiranti quants e professionisti affermati. La nuova generazione di quants scoprirà ciò che i maestri hanno fatto negli anni precedenti e imparare dalla loro esperienza, mentre quants esperti potranno ottenere un record dei principali sviluppi nel campo più o meno fin dall'inizio. Per loro stessa natura i documenti raccolti nel Quant of the Year 2000-2014 coprire i temi più importanti e rilevanti di ingegneria finanziaria. La loro sequenza cronologica dà una prospettiva unica sullo sviluppo del settore, che non può essere ottenuta in qualsiasi altro modo. A cura di Eduardo Canabarro e Michael Pykhtin Unire le forze per aggiornare il loro rispettivo rischio bestseller di controparte di credito e il rischio di credito Modelling. redattori Eduardo Canabarro e Michael Pykhtin hanno riunito un team di esperti per fornire una comprensione completa e contestualizzata dello stato attuale e le questioni chiave nella gestione del rischio di controparte a seguito della crisi finanziaria. Michael è il destinatario meritato di Rischio Magazinersquos Quant of the Year per il 2014. esperti ldquoEduardo Canabarro e Michael Pykhtin sono riconosciuti a livello internazionale in materia di rischio di credito della controparte. Essi hanno riunito un gruppo impressionante di professionisti, accademici e regolatori, che hanno scritto capitoli su una serie di importanti questioni attuali riguardanti la regolamentazione, la modellazione di esposizione, i prezzi e di copertura, prove di stress, e la gestione delle garanzie di credito della controparte risk. rdquo Evan Picoult , amministratore delegato, Architettura Franchise rischio, Citi e professore aggiunto, Columbia business School a cura di Andrew Rudd e Stephen Satchell investimenti high net worth sta subendo una rivoluzione Quant. facoltosi clienti si aspettano analisi più sofisticate dai loro gestori di portafoglio e quindi l'applicazione di tecniche quantitative per high net worth (HNW) investire sta diventando sempre più popolare. Approcci quantitativi per gli investimenti High Net Worth è il primo trattamento libro-di metodi quantitativi per gli investimenti HNW per gli ufficiali di famiglia, consiglieri fondi della famiglia, gli individui HNW e dei loro gestori patrimoniali. A cura di Massimo Morini e Marco Bianchetti genere letteratura sul tema della modellazione di tasso di interesse si basa sull'ipotesi di mercati dei tassi di interesse privo di rischio. Chiaramente questa ipotesi non regge più acqua. Come conseguenza della crisi, i partecipanti al mercato sono stati avvisati a fattori di rischio che erano stati in precedenza trascurati. Questa conoscenza ha portato a importanti cambiamenti nei modelli di dati di mercato e di nuovi approcci nella modellazione dei tassi di interesse. Mentre i mercati dei tassi d'interesse continuano a innovare e ampliare in questo nuovo paesaggio, sta diventando sempre più importante rimanere up-to-date con gli ultimi sviluppi pratici e teorici. Nel tasso di interesse Modelling dopo la crisi finanziaria, Massimo Morini e Marco Bianchetti indirizzo e spiegare questi cambiamenti, raccogliendo le ultime idee sulla modellazione di mercato post-crisi e l'applicazione di nuovi metodi per dati di mercato e mercato practice. Machine Learning Trading Systems SPDR ETF SampP 500 (SPY) è uno dei prodotti ETF ampiamente trattati sul mercato, con circa 200 miliardi di asset e fatturato medio di poco meno di 200M azioni quotidiano. Quindi la probabilità di essere in grado di sviluppare un sistema di negoziazione per fare soldi utilizzando le informazioni disponibili al pubblico potrebbe sembrare sottile a nessuno. Così, per darci una possibilità di combattere, ci concentreremo su un tentativo di prevedere il movimento durante la notte in SPY, utilizzando i dati del prima sessione di day8217s. Oltre alla openhighlow e ai prezzi di chiusura della sessione giorno precedente, abbiamo selezionato una serie di altre variabili plausibili per costruire il vettore funzione che stiamo per usare nel nostro modello di apprendimento automatico: Il volume giornaliero I day8217s precedenti prezzo di chiusura del 200 - day, 50 giorni e 10 giorni in media del prezzo di chiusura I prezzi elevati 252 giorni e bassi della serie SPY si cercherà di costruire un modello che prevede il ritorno durante la notte nella ETF in movimento, cioè O (T1) - C (t) C (t) In questo esercizio si usa dati giornalieri a partire dall'inizio della serie SPY fino alla fine del 2014 per costruire il modello, che verrà poi prova su out-of-campione di dati che va dal gennaio 2015- agosto 2016. In un contesto ad alta frequenza di una notevole quantità di tempo sarebbe speso valutare, pulizia e normalizzando i dati. Qui ci troviamo di fronte molti meno problemi di questo tipo. Tipicamente si potrebbe standardizzato i dati di ingresso per equalizzare l'influenza delle variabili che possono essere misurate su scale estremamente diversi ordini di grandezza. Ma in questo esempio tutte le variabili di input, con l'eccezione di volume sono misurati sulla stessa scala e così standardizzazione è probabilmente inutile. In primo luogo, l'in-campione di dati viene caricato e utilizzato per creare un training set di regole che mappano la funzione di vettore per la variabile di interesse, il ritorno durante la notte: in Mathematica 10 Wolfram ha introdotto una serie di algoritmi di apprendimento automatico che includono la regressione, vicino più prossimo , reti neurali e foreste casuali, insieme con funzionalità per valutare e selezionare la migliore tecnica di apprendimento automatico performante. Queste strutture rendono molto straightfoward per creare un modello di classificatore o previsione utilizzando l'apprendimento della macchina algoritmi, come questo esempio il riconoscimento della scrittura: Creiamo un modello predittivo sulla trainingset SPY, permettendo Mathematica per scegliere il miglior algoritmo di apprendimento automatico: Ci sono una serie di opzioni per la funzione prevedono che può essere utilizzato per controllare la selezione delle funzioni, tipo di algoritmo, il tipo di prestazioni e obiettivo, piuttosto che semplicemente accettando le impostazioni predefinite, come abbiamo fatto qui: Dopo aver costruito il nostro modello di apprendimento automatico, si carica il out-of dati di esempio da gennaio 2015 ad agosto 2016 e creare una serie di test: Abbiamo poi creato un oggetto PredictionMeasurement, utilizzando il modello del vicino più vicino. che possono essere utilizzati per ulteriori analisi: Ci isn8217t molta dispersione nelle previsioni del modello, che tutti hanno un valore positivo. Una tecnica comune in questi casi è quello di sottrarre la media da ciascuna delle previsioni (e si può anche li standardizzare dividendo per la deviazione standard). La dispersione delle effettive contro prevedere rendimenti durante la notte in SPY ora assomiglia a questo: There8217s ancora una evidente mancanza di dispersione nei valori di previsione, rispetto ai rendimenti durante la notte reali, che potremmo rimediare per la standardizzazione. In ogni caso, sembra esserci un piccolo rapporto lineare tra meteorologiche e valori reali, che contiene qualche speranza che il modello può ancora essere utile. Dalla previsione di Trading Ci sono vari metodi di distribuzione di un modello di previsione, nel contesto della creazione di un sistema di trading. Il percorso più semplice, che prenderemo qui, è quello di applicare un cancello di soglia e convertire le previsioni filtrati direttamente in un segnale di trading. Ma altri approcci sono possibili, per esempio: Combinando le previsioni da modelli multipli per creare un insieme di predizione Utilizzando le previsioni come input per un modello di programmazione genetica Feeding le previsioni nello strato di input di un modello di rete neurale progettata specificamente per generare segnali di trading, piuttosto di previsioni in questo esempio verrà creato un modello di trading applicando un filtro semplice alle previsioni, individuando solo quei valori che superano una soglia specificata. Questo è un trucco standard utilizzato per isolare il segnale nel modello dal rumore di fondo. Accetteremo soltanto i segnali positivi che superano il livello di soglia, la creazione di un sistema di trading long-only. cioè ignoriamo le previsioni che ricadono al di sotto del livello di soglia. Acquistiamo SPY alla fine, quando la previsione supera la soglia e uscire da qualsiasi posizione lungo alle prossime day8217s aperte. Questa strategia produce i seguenti risultati pro-forma: Conclusioni Il sistema ha alcune caratteristiche molto interessanti, tra cui una percentuale di vincita di oltre 66 e un CAGR di oltre il 10 per il periodo out-of-sample. Ovviamente, questa è una illustrazione molto semplice: vorremmo di fattore di commissioni di negoziazione, e lo slittamento sostenute entrare e uscire posizioni nei periodi post e pre-mercato, che impattino negativamente le prestazioni, ovviamente. D'altra parte, abbiamo appena cominciato a grattare la superficie in termini di variabili che potrebbero essere considerati per l'inclusione nella funzione di vettore, e che possono aumentare il potere esplicativo del modello. In altre parole, in realtà, questo è solo l'inizio di un processo di ricerca lungo e laborioso. Tuttavia, questo semplice esempio dovrebbe essere sufficiente per dare al lettore un assaggio di what8217s coinvolti nella costruzione di un modello di trading predittivo utilizzando algoritmi di apprendimento automatico.
No comments:
Post a Comment