양적 거래 전략 목록

양적 거래.

'양적 거래'란 무엇인가?

양적 거래는 거래 기회를 파악하기 위해 수학 계산 및 번호 계산에 의존하는 정량 분석을 기반으로하는 거래 전략으로 구성됩니다. 양적 거래는 일반적으로 금융 기관 및 헤지 펀드에서 사용되므로 거래 규모가 대개 크며 수십만 주 및 기타 증권의 매매가 필요할 수 있습니다. 그러나 양적 거래는 개인 투자자들에 의해 보편적으로 사용되고 있습니다.

'수량 거래'를 깨기

양적 거래 기법에는 고주파 거래, 알고리즘 거래 및 통계적 재정 거래가 포함됩니다. 이러한 기술은 빠른 속도로 진행되며 일반적으로 단기 투자의 시야가 있습니다. 많은 양적 거래자는 이동 평균 및 발진기와 같은 정량적 도구에 더 익숙합니다.

양적 거래의 이해.

양적 거래자는 최신 기술, 수학 및 합리적인 거래 결정을 내리는 데 필요한 포괄적 인 데이터베이스를 이용할 수 있습니다.

양적 거래자는 거래 기법을 사용하여 수학을 사용하여 거래 모델을 만든 다음 모델을 과거 시장 데이터에 적용하는 컴퓨터 프로그램을 개발합니다. 그런 다음 모델을 다시 테스트하고 최적화합니다. 유리한 결과가 얻어지면 시스템은 실제 자본으로 실시간 시장에서 구현됩니다.

양적 거래 모델이 작동하는 방식은 비유를 사용하여 가장 잘 묘사 될 수 있습니다. 태양이 비치는 동안 기상 학자가 비가 내릴 확률이 90 %가 될 것이라는 기상 예보를 고려하십시오. 기상 학자는이 지역 전체의 센서로부터 기후 데이터를 수집하고 분석함으로써이 직관적이지 않은 결론을 도출합니다. 전산화 된 정량 분석은 데이터의 특정 패턴을 나타냅니다. 이러한 패턴을 역사적인 기후 데이터 (백 테스팅)에서 나타난 동일한 패턴과 비교하고 100 배 중 90 %가 비가되면 기상 학자는 결론을 확신 할 수 있으므로 90 % 예측을 이끌어 낼 수 있습니다. 양적 거래자는 이와 동일한 절차를 금융 시장에 적용하여 거래 의사 결정을 내립니다.

양적 거래의 장점과 단점.

거래의 목적은 수익성있는 거래를 실행할 최적의 확률을 계산하는 것입니다. 일반적인 거래자는 유입되는 데이터의 양이 의사 결정 프로세스를 압도하기 전에 제한된 수의 증권에 대해 효과적으로 모니터링, 분석 및 거래 의사 결정을 내릴 수 있습니다. 양적 거래 기법을 사용하면 컴퓨터를 사용하여 모니터링, 분석 및 거래 의사 결정을 자동화함으로써 이러한 한계가 드러납니다.

감정을 극복하는 것은 거래에서 가장 보편적 인 문제 중 하나입니다. 두려움이나 탐욕, 거래 할 때, 감정은 합리적 사고를 억 누르는 역할을합니다. 합리적인 사고는 대개 손실로 이어집니다. 컴퓨터와 수학은 감정을 가지고 있지 않으므로 양적 거래는이 문제를 해결합니다.

양적 거래에는 그 문제가 있습니다. 금융 시장은 존재하는 가장 역동적 인 실체의 일부입니다. 따라서 양적 거래 모델은 지속적으로 성공하기 위해서는 역동적이어야합니다. 많은 양적 거래자들은 시장 상황에 따라 일시적으로 수익을내는 모델을 개발하지만 시장 상황이 바뀌면 궁극적으로 실패합니다.

승객의 성명

양적 헤지 펀드 트레이딩 전략의 유형.

퀀트 헤지 펀드는 3 대륙에 존재하는 국제 펀드에 10 대에 번호를 매기는 직원이있는 중소기업에서 모든 형태와 크기로 제공됩니다. 더 큰 자산 기반이 반드시 더 많은 직원과 상관 관계가있는 것은 아닙니다. 대신, 헤지 펀드 직원은 자신이 고용하는 전략의 수에 따라 기능 할 수 있습니다. 퀀트 헤지 펀드는 주식, 채권 또는 다른 자산 클래스에 집중할 수 있지만, 헷지 펀드는 개별 주식을 따로 떼어 놓지 않는 전략을 택하지는 않습니다. 많은 CTA 또는 “Cityity Trading Advisors ”는 또한 선물 계약 또는 옵션 선물 매매 또는 소매 거래 외환 계약 (또는이 상품을 거래하는 다른 사람들에게 상담)에서 자신의 역할을 감안할 때 Quant Hedge Fund로 간주됩니다.

다음 표는 헤지 펀드의 다양한 투자 전략 유형에 대해 자세히 설명합니다. 거의 모든 헤지 펀드 투자 스타일의 양적 및 비 양적 버전 모두를 구축 할 수 있다는 점에 유의해야합니다.

상대 가치 거래 vs. 방향성 거래.

대부분의 양적 헤지 펀드의 거래 / 투자 접근 방식은 상대 가치 전략을 사용하는 전략과 전략이 방향성을 갖는 전략의 두 가지 범주 중 하나로 분류됩니다. 두 가지 전략 모두 컴퓨터 모델과 통계 소프트웨어를 많이 사용합니다.

상대 가치 전략은 여러 자산 간의 예측 가능한 가격 책정 관계 (대개 вњњ 되돌릴 수있는 관계)를 활용하려고합니다 (예 : 미국 재무부 채권 수익률이 단기간 미국 재무부 채권 수익률과의 관계 또는 암시 된 관계 두 가지 옵션 계약의 변동성). 반면에 방향성 전략은 일반적으로 증권 또는 증권 집합에 대한 상승 또는 하락 모멘텀을 암시하는 경향 추종 또는 기타 패턴 기반 경로를 기반으로합니다 (예 : 장기 채권의 미국 재무부 채권 수익률이 증가하거나 변동성을 암시 함). 쇠퇴).

상대 가치 전략.

상대 가치 전략의 일반적인 예로는 가격이 밀접하게 연결된 자산에 대한 상대 베팅 (즉, 한 자산 구입 및 다른 자산 판매)이 있습니다.

두 개의 다른 국가의 정부 증권 두 가지 길이의 정부 증권 유가 증권 회사와 모기지 채권 증권 두 파생 상품 간의 내재 변동성의 차등 주식 가격과 회사채 발행자의 채권 가격 회사채 수익률 스프레드와 신용 채무 스왑 (CDS ) 확산.

잠재적 인 상대 가치 전략 목록은 매우 길다. 위의 내용은 단지 몇 가지 예입니다. 그러나 세 가지 매우 중요하고 일반적으로 사용되는 상대 가치 전략은 다음과 같습니다.

통계적 차익 거래 : 과거의 거래 관계를 기반으로 유사한 자산 바구니 값의 평균 되돌릴 추세를 거래합니다. Statistical Arbitrage 또는 Stock Arb, ” trading의 일반적인 형태 중 하나는 주식 시장 중립 거래 (Equity Market Neutral trading)로 알려져 있습니다. 이 전략에서는 2 개의 바구니의 상대적인 무게가 다양한 위험 요소 (산업, 지리, 부문 등)에 대한 순수한 노출로 펀드를 떠나는 것을 목표로 두 개의 주식 바구니가 선택됩니다 (하나는 вњњongќќ 바구니, 하나는 вњњshort” 바구니). ) Stat Arb는 유사하게 매치 한 ETF에 대한 지수의 거래, 또는 하나의 company†™ s 주식에 대한 지수의 거래를 포함 할 수 있습니다. Convertible Arbitrage : 회사가 전환 사채 발행을 구매하면서 동일한 회사의 주식을 동시에 판매하는 경우, 주어진 회사의 주식이 감소하면 짧은 포지션의 이익이 전환 가능한 채권 위치, 고정 소득 악기로 전환 할 bond†™ s 가치를 주어. 마찬가지로, 보통주의 어떤 상승 가격 움직임에서, 기금은 시장에 그 주식을 판매하는 그것의 전환 사채의 주식으로 전환에서 이익이 될 수있다 단기적으로 손실을 초과하는 금액만큼 Fixed Income Arbitrage : 인식 된 상대 이자율 변이를 이용하기 위해 개발 채권 시장에서 채권 시장 거래. Fixed Income Arbitrage 포지션은 국채, 금리 스왑 및 금리 선물을 사용할 수 있습니다.  고정 수입 차익 거래에서의 이러한 스타일의 거래 중 하나는 대중 거래 (“basis trade)이며 재무부 선물을 매수 (매입하고 판매). 잠재적 인 인도 가능 채권의 해당 금액을 판매합니다. 채권의 현물 가격과 조정 된 future†™ 계약 가격 (선물 가격 Г - 전환 계수)과 쌍을 거래하는 것의 차이에 대한 견해를 봅니다. 이에 따라 자산의

방향 전략.

한편, 방향성 거래 전략은 일반적으로 추세를 따르거나 다른 패턴 기반 경로를 기반으로하여 보안 в ™ ™ 가격에 대한 상승 또는 하락 모멘텀을 암시합니다. 방향 트레이딩은 종종 기술 분석 또는 “charting의 일부 측면을 통합합니다. 과거 가격 및 물량 시장 데이터에 대한 연구를 통해 가격을 결정할 수 있습니다. 거래되는 방향은 자산 자체의 가치 (예 : 주식 가격의 추세 또는 유로 / 미국 달러 환율) 또는 직접 영향을 미치는 요소 일 수 있습니다 자산 가격 그 자체 (옵션에 대한 내재 변동성 또는 국채에 대한 이자율).

기술 거래는 이동 평균, 가격의 역사적 표준 편차를 둘러싼 밴드, 지원 및 저항 수준, 변화율 등을 포함 할 수도 있습니다. 일반적으로 기술적 지표는 Quantitative Hedge Fund†™ s 투자의 유일한 기반을 구성하지 않습니다 병법; Quant Hedge Funds는 과거 가격 및 거래량 정보에 비해 많은 추가 요소를 사용합니다. 즉, 방향성 거래 전략을 채택한 Quantitative Hedge Funds는 일반적으로 일반 기술 분석보다 훨씬 정교한 전반적인 정량 전략을 가지고 있습니다.

이것은 일 상인이 기술적 인 분석에서 이익이되지 않을지도 모른다는 것을 건의하지 않기 위하여 †"반대로, 많은 기세를 바탕으로 한 무역 전략은 유익 할 수있다. 따라서 본 트레이닝 모듈의 목적 상, 퀀트 헤지 펀드 거래 전략에 대한 언급에는 기술적 분석 기반 전략 만 포함됩니다.

다른 양적 전략.

상대 가치 전략 또는 방향 전략으로 쉽게 분류되지 않는 기타 양적 거래 접근법에는 다음이 포함됩니다.

트레이더들이 하루 종일 많은 거래를하는 여러 플랫폼에서 가격 불일치를 이용하는 고주파 거래 Managed Volatility 전략은 선물 및 선물 계약을 사용하여 낮지 만 안정적인 LIBOR 플러스 절대 수익을 창출하고 주식, 채권 및 기타 시장의 근본적인 변동성에 따라 계약 수를 동적으로 조정합니다. Â 관리 된 변동성 전략은 주식 및 채권 시장의 최근 불안정으로 인해 최근 몇 년 동안 인기를 얻었습니다. & Larr; Quantitative Hedge Fund 란 무엇입니까? Top Quantitative Hedge Funds & rarr;

승객의 성명

개요.

새로운 헷지 펀드는 매일 확립되고 있습니다 (그리고 종종 똑같은 속도로 폐쇄되는 것 같습니다). 그러나 중요한 퀀트 헤지 펀드가 몇 가지 중요한 기록을 가지고 있으며, 장수는 미래의 체류를 보장하지 않습니다 권력의 경우, 이들 회사는 퀀트 헤지 펀드 (Quant Hedge Fund)

D. E. Shaw Quantitative Management Associates 두 시그마 르네상스 기술 AlphaSimplex Group Capula AQR Capital PanAgora Acadian Asset Management.

이 목록은 결코 완전한 것이 아닙니다. 예를 들어, 일반적으로 퀀트 헤지 펀드 (Quant Hedge Fund)로 알려져 있지 않은 많은 멀티 전략 헤지 펀드는 플랫폼의 일부로 실행되는 중요한 양적 전략을 가지고 있습니다.  헤지 펀드, 전통적인 투자로 구성된 29B $의 투자 플랫폼 인 Highbridge Capital Management 관리 제품 및 장기 및 장기 보유 기간을 가진 신용 및 지분 투자를 포함합니다. 다른 전략 중에서도 Highbridge는 신용을 포함하는 다른 제품 오퍼링보다 정량적 인 전략으로 일반적으로 생각되는 전환 사채 및 차익 거래 자금을 제공합니다 글로벌 매크로 투자

또한, 헤지 펀드 이외의 회사는 양적 거래 전략을 운영한다는 것을 명심하십시오. 많은 대형 은행들이 독점적 인 거래 부서를 통해 거래합니다. 그러나 Volker Rule의 시행으로 은행은 투자 활동의 유형이 제한되어 있습니다. 그 결과 많은 퀀트 트레이딩 전략이 움직 였고 계속해서 은행의 내부 트레이딩 데스크에서 은행 вЂ로 이동할 것입니다 자산 관리 시스템

(참고 : 별도로 명시하지 않는 한 모든 정보는 회사 웹 사이트에서 가져온 것입니다.)

기반 : 뉴욕시.

종업원 / 규모 : 투자 자본이 1,100 달러 / 약 260 억 달러 (2012 년 3 월 1 일 기준)

설명 :이 회사는 주요 선진국과 다수의 신흥 시장 모두에서 광범위한 회사 및 금융 상품에 투자하여 세계의 많은 자본 시장에서 중요한 입지를 확보하고 있습니다. 그것의 활동 범위는 수학적 모델이나 인간 전문 지식을 기반으로 한 투자 전략의 배치에서부터 기존 회사의 인수 및 새로운 투자 나 개발에 이르기까지 다양합니다.

전략 : ¢ 회사의 양적 전략은 대부분 다음을 기반으로합니다 :

다양한 증권의 가격에 영향을 미치는 미묘한 예외로부터 발생하는 이익 기회를 확인하기위한 수학적 기법의 사용; 다양한 형태의 위험을 측정하고 제어하도록 설계된 독점 모델의 적용; 유가 증권의 매매와 관련된 거래 비용을 최소화하기위한 양적 기법의 사용 이러한 이익 기회, 위험 요소 및 거래 비용을 기반으로 동적으로 진화하는 투자 포트폴리오를 구축하기 위해 독점 최적화 기술을 활용합니다.

수익 기회를 확인하는 과정에서 D. E. Shaw 그룹은 수만 가지 금융 상품과 관련이없는 다양한 요인과 함께 엄청난 양의 데이터를 분석합니다. 데이터는 전 세계 여러 국가에서 수집되며 다양한 자산 클래스를 포괄합니다. 이 분석 프로세스가 예측 가치가 있다고 생각하는 새로운 모델을 산출 할 때, 하나 이상의 거래 전략, 경우에 따라 동일한 금융 상품 중 일부를 포함하는 다른 모델과 함께 배치 될 수 있지만, 다른 시장 변이에서.

회사의 독점적 인 최적화 기술은 예상 수익을 극대화하고 수천 개의 증권을 동시에 포지션 할 수있는 포트폴리오와 관련된 총 위험을 통제하는 목적으로 설계되었습니다. 회사의 포트폴리오 최적화 소프트웨어는 각 거래를 개별적으로 고려하기보다는 다양한 자산 클래스에 걸쳐있는 대규모 금융 상품 세트 간의 복잡한 상호 관계를 설명하기 위해 고안되었습니다. 대부분의 경우, 회사의 최적화 알고리즘은 일반적인 다변화뿐만 아니라 포트폴리오 수준에서 다양한 위험 요인에 대한 상쇄 노출을 확립함으로써 위험 조정 수익을 향상시킬 수 있습니다.

포트폴리오는 새롭게 떠오르는 잠재적 이익 기회를 활용하고 /거나 다양한 형태의 역동적 인 위험을 관리하기 위해 꾸준히 진행되는 거래로 꾸준히 재조정됩니다. 시간에 민감한 거래 결정은 전 세계의 다양한 금융 시장에서 얻은 실시간 데이터를 사용하여 매우 신속하게 이루어집니다. 회사는 거의 24 시간 단위로 거래하며 일반적으로 하루에 수만 건의 거래를 실행합니다.

Quantitative Management Associates.

종업원 / 규모 : 2012 년 3 월 1 일 현재 36 명의 투자 전문가 (추가 사무 직원 포함) / 약 830 억 달러의 자산 운용 자산 (AUM).

설명 : 우리는 증권의 작지만 널리 퍼진 mispricings에 투자 잠재력을 참조하십시오. 적극적인 전략은 투자 목표를 달성하는 데 중요한 역할을 할 수 있습니다. 자산 가격은 때로는 기본 펀더멘털에 의해 암시 된 값에서 벗어나고, 능동적 인 경영진은 포트폴리오가 궁극적으로 펀더멘털로 돌아 가면서 이익을 얻도록하여 수익을 향상시킬 수 있습니다. 이러한 공정 가치의 편차는 프로세스가 식별하고 개발하도록 설계된 기회를 창출합니다. 이러한 패턴은 추세가 아닌 시간이 지남에 따라 지속되는 패턴이기 때문에 프로세스가 장기간에 걸쳐 계속해서 성과를 낼 수 있다고 확신합니다.

우리의 상향식 접근법은 평가 이론과 행동 금융의 원칙을 투자 전문가의 기술과 판단력과 결합시킵니다. 20 년간의 투자 경험을 평균화하고 대학 교수, 엔지니어, 물리학 자 및 경제학자를 포함한 다양한 관점을 제시하는 팀원은 다양한 시장 여건을 통해 원활하게 일했습니다.

우리의 독점적 인 최적화 프로세스는 많은 주식에 걸쳐 다양한 포트폴리오를 생성합니다. 또한 크기, 부문 / 산업 및 벤치 마크와의 편차 등의 위험을 제한함으로써 유동성 및 거래 비용에 집중적으로 집중하면서 알파 생성을보다 효과적으로 목표로 삼을 수 있다고 믿습니다.

QMA의 투자 접근 방식은 합리적이고 건전하지만 정적이 아닙니다. 지속적인 연구를 통해 우리는 투자 프로세스의 적응성을 향상시키는 방법을 지속적으로 찾습니다.

Quantitative Core Equity Value 지분 가치 지분 지수 지분 자산 배분 구조 지분.

기반 : 뉴욕 (홍콩, 휴스턴 및 런던 위성 사무소)

종업원 수 / 크기 :  약 300 (추정) / њњ њ 억 달러 ” (2012 년 5 월)

설명 : 우리는 2001 년부터 프로세스 중심의 투자 전략을 성공적으로 적용 해 왔습니다. 다양한 시장과 자산 클래스에 걸쳐 표현되는이 전략은 엄격한 수학적 분석과 Two Sigma & # 8217; 크고 경험 많은 팀. 이러한 전략을 개발하려면 위험 기회를 면밀히 모니터링하면서 시장 기회를 성공적으로 식별하고 계량화하고 조치를 취하기 위해 방대한 계산 자원이 필요합니다.

기술은 Two Sigma의 거래 전략, 기업 기능 및 삶에서 필수적인 부분입니다. 우리에게 기술은 단순히 비용 항목이 아닌 이익 중심이며 회사 구조의 원동력이되고 있습니다. 매일 금융 시장을위한 분석 및 측정 도구를 개발하고 개선하기 위해 소규모 팀에서 일하고 있으며 금융 분야에서는 드물게 보이는 구조 인 collaboration†"를 권장합니다. 사실, 많은 사람들은 소프트웨어 회사처럼 보입니다.

르네상스 기술.

기반 : Long Island, New York, London.

종업원 수 / 규모 : 275 / 150 억 달러.

묘사 : 르네상스 기술 LLC는 수학과 통계적인 방법에 고착해서 그것의 클라이언트 및 직원을위한 우량한 반환을 생성하기에 전념 한 투자 관리 회사이다.

AlphaSimplex 그룹.

기반 : Cambridge, MA.

설명 : AlphaSimplex는 주로 선물 및 선물 계약으로 구현되는 절대 수익 투자 전략을 전문으로합니다. 최첨단 양적 기법을 사용하여 투자에 대한 독창적 인 접근 방식은 일반적으로 기본 관리자와 관련된 적응성 및 상황에 맞는 의사 결정을 제공하지만 순전히 정량적이며 위험을 통제 한 틀. firm†™ s 투자 전략의 각각은 더 중대한 견실함에 알파를 생성하고 새로운 개발 한 모형의 일정한 추가를 촉진하는 것을 노력하는 포트홀리로 관리에 다 모델 접근에 근거를 둡니다.

Strategies : QuantiQuantitative Global Macro는 다양한 시장에서 다양한 요인에 의존하는 다중 모델 양적 글로벌 매크로 전략입니다. 제품을 구성하는 구성 요소 모델은 수년 및 다양한 시장 환경에서 개발되었습니다. 특정 시장 환경에 대해 특정 환경에 대해 알파를 생성하도록 설계된 하나 이상의 구성 요소 모델이 있습니다. 관리자는 고급 통계 기법을 사용하여 현재 시장 상황을 가장 효과적으로 활용할 수 있도록 구성 요소 모델에 동적으로 가중치를 부여합니다.

글로벌 전술 자산 배분 (Global Tactical Asset Allocation)은 매우 자본 효율적인 오버레이 또는 휴대용 알파 & 기존 포트폴리오의 변동성을 1 ~ 2 % 포인트 이상 증가시키지 않으면 서 기존 포트폴리오에 1 ~ 2 % 포인트의 증분 포인트를 추가하는 전략입니다. 이 전략은 높은 리스크 수준에서 관리되어 높은 수익을 창출 할 수 있습니다.

LASER 및 GLOBAL ALTERNATIVES는 선물 및 포워드를 사용하여 가장 일반적인 액체 리스크 프리미엄 운전 헤지 펀드 수익의 다양한 집합에 익스포저를 복제합니다. 이 전략은 헤지 펀드의 펀드와 유사한 다변화 이익을 제공하며, 헤지 펀드 매니저들간에 적절한 능력을 찾지 못하는 대형 기관 투자가, 그렇지 않은 경우 유동성이 낮은 포트폴리오를 갖춘 유동성 완충액, 그렇지 않으면 최소한의 투자 요구 때문에 헤지 펀드의 다변화 이익에 대한 접근권을 갖지 않을 것입니다.

기반 : 런던 (그리니치, 코네티컷 및 도쿄)

직원 수 / 크기 : Â 50 / $ 9B (2011)

설명 : Capsula Investment Management LLP는 전 세계 고정 수입 전문 회사입니다. 회사는 테일 리스크 헤지 상품과 함께 절대 수익률 및 고정 수입 상품의 고정 수입 거래 전략을 관리합니다. Capula Investment Management LLP는 전통적인 주식 및 채권 시장과의 상관 관계가 낮은 혁신적인 투자 전략 개발에 중점을 둡니다.

Capula는 중기 투자 스타일보다는 거시 포커스, 강력한 거래 규율 및 단기 오리엔테이션을 차별화합니다. 유동성 위험 및 꼬리 위험에 대한 firm†™의 이해는 극단적 인 시장 붕괴 기간을 포함하여 투자주기의 모든 단계를 통해 번창하도록 도왔습니다. Capula GRV 기금은 금리와 거시 경제 거래에 초점을두고 있습니다. 펀드는 국채, 금리 스왑 및 주요 거래소 파생 상품 시장에서 가격 편차를 활용하고 방어적인 매크로 오버레이를 사용하는 상대 가치 및 컨버전스 전략을 수행합니다. 투자 테마는 주로 알파 생성에 의해 주도되며 주요 자본 시장에서 방향성있는 움직임에 중립을 유지하기위한 것입니다. Capula Tail Risk Fund는 주로 G7 시장에서 다양한 상품에 투자합니다. 정상적인 시장 상황에서 부작용을 최소화하면서 유동성 및 시스템 위기의 경우 우수한 수익률을 목표로합니다. 두 기금은 독점 거래 스타일로 적극적으로 관리됩니다.

AQR 캐피탈.

Based : 그리니치, CT.

직원 / 규모 : 190 / 44B (2011 년 말)

설명 : AQR Capital Management는 규제가없는 다중 자산, 글로벌 리서치 프로세스를 사용하는 투자 관리 회사입니다. AQR†™ s 투자 제품은 집합 투자 차량의 한정된 세트 및 AQR의 투자 전략 전부 또는 일부를 이용하는 별도의 계정을 통해 제공됩니다. 이러한 투자 상품은 공격적인 고 변동성 시장 중립 헤지 펀드에서 저 변동성 벤치 마크 방식의 전통 상품에 이르기까지 다양합니다. 투자 결정은 일련의 글로벌 자산 배분, 차익 거래 및 보안 선택 모델을 사용하여 이루어지며, 독점 거래 및 위험 관리 시스템을 사용하여 구현됩니다. AQR은 투자 및 리스크 관리에서 장기적인 성공을 달성하기 위해서는 체계적이고 체계적인 프로세스가 필수적이라고 생각합니다. 또한 모델은 단순히 과거에 맞게 구축 된 것이 아닌 견고한 경제 원칙을 기반으로해야하며 통계적으로 강력한 힘을 지닌 상식을 많이 포함해야합니다.

종업원 / 규모 : 50-200 / $ 22.3B (2011 년 말)

설명 : В вњњPanAgora는 “bottom-up” 주식 선택 전략과 다중 알파 “top-down” 매크로 전략을 모두 사용하는 양적 기반의 투자 관리 †"금융 기관입니다. • 우리는 근본적인 통찰력과 방대한 양의 시장 정보가 통합 된 정교한 정량 기술을 사용하여 투자 솔루션을 제공하고자합니다. PanAgora†™ s 투자 전략이 성격에서 체계적으로 높게 인 동안, 이 전략 안에 배치 된 과정은 뜻 깊고 다양한 투자 경험을 가진 재능있는 전문가에 의해 건축되고 감시됩니다. 혁신적인 연구는 투자 철학과 프로세스에서 핵심적인 역할을하며, 매력적인 투자 솔루션을 제공하는 firm†™의 능력에 없어서는 안될 요소입니다. 투자 팀은 주식 전략 그룹과 다중 자산 전략 그룹으로 구성됩니다. 대부분의 투자 팀 구성원은 근본적인 직감, 시장 정보, 현대 금융 및 과학적 방법을 사용하여 독창적 인 연구에 종사하고 있습니다.

PanAgora†™ s 투자 전략은이지도 원칙에 근거합니다 :

자본 시장은 완벽하게 효율적이지 않으므로 징계 투자자에게 매력적인 투자 기회를 제공합니다. 창의력과 현대 금융 이론 및 통계 기술 (예술 및 과학)을 융합시킨 혁신적인 연구는 성공적인 투자 프로세스의 기초입니다. 직관적이고 근본적인 사고와 정량적 기법을 결합한 체계적인 투자 접근법은 지속적이고 매력적인 위험 조정 수익을 창출 할 것입니다. 위험에주의하고 효율적으로 구현하면 성능 결과가 보존되고 종종 향상 될 수 있습니다. 명확하게 정의 된 목표, 투명성 및 재능있는 투자 전문가에 대한 액세스는 고객 만족을 달성하는 데 도움이됩니다.

아카디아 자산 관리.

기반 : Boston (싱가포르 및 런던)

설명 : 아카디아는 엄격하고 구조화 된 투자 프로세스를 가지고 있습니다. 우리는 투자 세계의 각 보안이 특정 지평선을 넘어서 생길 것으로 예상되는 초과 수익, 특정 포트폴리오가 벤치 마크 대비 경험할 것으로 기대하는 위험을 포함하여 투자 프로세스의 대부분을 수량화합니다. 이 쪽지의 목적은 양적 접근이 합리적이라고 생각하는 이유와 그러한 접근 방식의 장점과 단점이보다 전통적인 접근 방식과 관련이 있다고 설명하는 것입니다. 양적 기술은 도구라고 생각합니다. 이들은 체계적이고 체계적인 방식으로 투자 의사 결정을 내리기 위해 전통적인 접근법을 적용하는 방법입니다. 따라서 투자에 대한 우리의 접근 방식은 전통적인 접근 방식과는 다릅니다. 우리는 많은 전통적인 포트폴리오 관리자가 사용하는 것과 동일한 도구를 사용하지만 구현시 정서와 미끄러짐을 피하면서 매우 체계적이고 체계적인 방식으로 적용하려고합니다.

Acadian는 적극적인 글로벌 및 국제 주식 전략을 전문으로하며, 활성 주식 선택뿐만 아니라 동료 그룹 (국가, 지역 및 산업) 평가를 위해 정교한 분석 모델을 사용합니다. 우리는 또한 신흥 시장에서 고정 수입 전략을 제공합니다. 당사의 독점 데이터베이스는 전 세계 60 개 이상의 시장에서 4 만 개 이상의 증권을 취급합니다. Acadian의 광범위한 연구 역량은 고객을위한 맞춤형 투자 관리 전략을 개발하는 데 사용됩니다.

QuantStart.

빠르게 성장하는 소매점 퀀텀 트레이더 커뮤니티를 지원하는 Quantcademy 개인 회원 포털에 가입하십시오. 당신은 당신의 가장 중요한 퀀트 트레이딩 질문에 대답 할 준비가되어있는 지식이 풍부하고 마음이 맞는 퀀트 트레이더 그룹을 찾을 수 있습니다.

퀀트 트레이딩에 관한 나의 eBook을 확인해보십시오. 여기서 저는 파이썬 툴로 수익성 높은 체계적인 트레이딩 전략을 만드는 법을 가르쳐드립니다.

Python 및 R을 사용하여 시계열 분석, 기계 학습 및 베이지안 통계를 사용하는 고급 거래 전략에 관한 새로운 전자 책을 살펴보십시오.

Michael Halls-Moore (2013 년 3 월 26 일)

이 기사에서 나는 종단 간 양적 거래 시스템을 수반하는 몇 가지 기본 개념을 소개 할 것입니다. 이 게시물은 두 명의 독자를 대상으로합니다. 첫 번째는 양적 상인으로서 펀드에서 일자리를 구하려고하는 개인입니다. 두 번째는 자신의 "소매"알고리즘 트레이딩 비즈니스를 시도하려는 개인입니다.

양적 거래는 매우 정교한 퀀텀 파이낸싱 영역입니다. 인터뷰를 통과하거나 자신의 트레이딩 전략을 수립하는 데 필요한 지식을 얻으려면 상당한 시간이 걸릴 수 있습니다. 뿐만 아니라 MATLAB, R 또는 Python과 같은 언어에서는 광범위한 프로그래밍 전문 지식을 필요로합니다. 그러나 전략의 거래 빈도가 증가함에 따라 기술적 측면이보다 적절 해집니다. 따라서 C / C ++에 익숙해지는 것이 가장 중요합니다.

양적 거래 시스템은 네 가지 주요 구성 요소로 구성됩니다.

전략 식별 - 전략 수립, 모서리 활용 및 거래 빈도 결정 전략 Backtesting - 데이터 획득, 전략 성과 분석 및 편향 제거 Execution System - 중개인과의 연계, 거래 자동화 및 거래 비용 최소화 위험 관리 - 최적의 자본 배분, 베팅 사이즈 "/ 켈리 기준과 트레이딩 심리.

먼저 거래 전략을 식별하는 방법을 살펴 보겠습니다.

전략 식별.

모든 양적 거래 프로세스는 초기 연구 기간부터 시작됩니다. 이 연구 프로세스는 전략을 찾고, 전략이 실행중인 다른 전략의 포트폴리오에 맞는지 여부, 전략을 테스트하는 데 필요한 모든 데이터를 얻는 방법, 더 높은 수익 및 / 또는 위험을 낮추기위한 전략을 최적화하려는 경우를 포함합니다. 전략을 "소매상"상인으로 운영하고 거래 비용이 전략에 어떤 영향을 미치는지 알아 보려면 자본 요구 사항을 고려해야합니다.

일반적인 믿음과는 달리, 다양한 공개 소스를 통해 수익성있는 전략을 찾는 것은 실제로 매우 간단합니다. 학자들은 이론적 인 거래 결과를 정기적으로 발표합니다 (대부분 거래 비용의 총액 임). 양적 금융 블로그는 전략에 대해 자세히 논의 할 것입니다. 무역 저널은 기금이 사용하는 전략의 일부를 개괄 할 것입니다.

왜 개인과 기업이 수익성있는 전략에 대해 논의하고 싶어하는지 질문 할 수 있습니다. 특히 "거래를 복잡하게 만드는"다른 사람들이 전략이 장기적으로 작동하지 않을 수 있다는 것을 알고있을 때 그렇습니다. 그 이유는 그들이 수행 한 정확한 매개 변수와 튜닝 방법을 자주 논의하지 않는다는 사실에 있습니다. 이러한 최적화는 상대적으로 평범하지 않은 전략을 수익성이 높은 전략으로 전환시키는 열쇠입니다. 사실, 고유 한 전략을 수립하는 가장 좋은 방법 중 하나는 유사한 방법을 찾아 자신의 최적화 절차를 수행하는 것입니다.

다음은 전략 아이디어를 찾기 시작할 수있는 작은 목록입니다.

당신이 볼 전략의 대부분은 평균 - 복귀와 추세 - 추종 / 운동량의 범주에 속할 것입니다. 평균 회귀 전략은 "가격 시리즈"(예 : 두 상관 관계가있는 자산 사이의 스프레드)에 대한 장기 평균이 존재한다는 사실과이 평균에서 단기간의 편차가 결국 회복 될 것이라는 사실을 악용하려는 전략입니다. 모멘텀 전략은 한 방향으로 기세를 모을 수있는 시장 추세에서 "타기를 히치 (hitching)"함으로써 투자자 심리와 대형 펀드 구조를 모두 이용하려고 시도하고, 그 방향이 바뀔 때까지 추세를 따라 간다.

양적 거래의 또 다른 중요한 측면은 거래 전략의 빈도입니다. 저주파 거래 (LFT)는 일반적으로 거래일보다 긴 자산을 보유하는 모든 전략을 나타냅니다. 따라서 고주파 거래 (HFT)는 일반적으로 자산을 하루 동안 보유하는 전략을 나타냅니다. 초고주파수 거래 (UHFT)는 초 단위 및 밀리 초 단위로 자산을 보유하는 전략을 나타냅니다. 소매 실무자 인 HFT와 UHFT는 확실하게 가능하지만 거래 기술 스택 및 주문서 역학에 대한 자세한 지식이 있어야만 가능합니다. 이 소개 기사에서는 이러한 측면을 크게 논의하지 않을 것입니다.

일단 전략 또는 전략 세트가 확인되면 과거 데이터에 대한 수익성을 테스트해야합니다. 그것이 역 테스팅의 영역입니다.

전략 Backtesting.

역 테스팅의 목표는 위의 프로세스를 통해 확인 된 전략이 과거 및 현재 데이터 모두에 적용될 때 수익이된다는 증거를 제공하는 것입니다. 이것은 "현실 세계"에서 전략이 어떻게 수행 될지에 대한 기대치를 설정합니다. 그러나 백 테스트는 여러 가지 이유로 성공을 보장하는 것은 아닙니다. 가능한 한 많이 고려해야하고 제거해야하는 수많은 편향을 수반하기 때문에 아마도 양적 거래에서 가장 미묘한 영역 일 것입니다. look-ahead 편향, 생존 편향 및 최적화 편향 ( "데이터 스누핑"편향이라고도 함)을 포함하여 일반적인 편견 유형에 대해 설명합니다. backtesting에서 중요한 다른 영역으로는 역사적인 데이터의 가용성과 청결성, 현실적인 거래 비용을 고려하고 강력한 백 테스팅 플랫폼을 결정하는 것 등이 있습니다. 아래의 실행 시스템 섹션에서 트랜잭션 비용에 대해 더 자세히 논의 할 것입니다.

일단 전략이 확인되면, 테스트를 수행하고, 아마도 정교화 할 수있는 과거 데이터를 얻는 것이 필요합니다. 모든 자산 클래스에 걸쳐 상당수의 데이터 공급 업체가 있습니다. 비용은 일반적으로 데이터의 품질, 깊이 및 적시성에 따라 달라집니다. 퀀트 트레이더 시작에 대한 전통적인 출발점은 (적어도 소매 수준에서) 야후 파이낸스의 무료 데이터 세트를 사용하는 것입니다. 나는 공급자들에게 너무 많이 머물지 않을 것이다. 오히려 역사적인 데이터 세트를 다룰 때 일반적인 이슈에 집중하고 싶다.

과거 데이터의 주된 관심사는 정확성 / 청결성, 생존자 편향 및 배당금 및 주식 분할과 같은 기업 활동 조정을 포함합니다.

정확도는 오류가 있는지 여부에 관계없이 데이터의 전반적인 품질과 관련됩니다. 스파이크 필터와 같이 오류를 쉽게 식별 할 수 있습니다. 스파이크 필터는 시계열 데이터에서 잘못된 "스파이크"를 찾아서 수정합니다. 다른 시간에 그들은 발견하기가 매우 어려울 수 있습니다. 두 개 이상의 공급자가 있고 각 공급자의 데이터를 서로 점검해야하는 경우가 종종 있습니다. 생존자 편견은 종종 무료 또는 저렴한 데이터 세트의 "특징"입니다. 생존 편향이있는 데이터 세트는 더 이상 거래하지 않는 자산을 포함하지 않는다는 것을 의미합니다. 주식의 경우에는 상장 주식 / 파산 주식을 의미합니다. 이 편향은 그러한 데이터 세트에서 테스트 된 주식 거래 전략이 과거의 "승자"가 이미 선택되어 있기 때문에 "실제 세계"보다 더 잘 수행 될 것임을 의미합니다. Corporate actions include "logistical" activities carried out by the company that usually cause a step-function change in the raw price, that should not be included in the calculation of returns of the price. Adjustments for dividends and stock splits are the common culprits. A process known as back adjustment is necessary to be carried out at each one of these actions. One must be very careful not to confuse a stock split with a true returns adjustment. Many a trader has been caught out by a corporate action!

In order to carry out a backtest procedure it is necessary to use a software platform . You have the choice between dedicated backtest software, such as Tradestation, a numerical platform such as Excel or MATLAB or a full custom implementation in a programming language such as Python or C++. I won't dwell too much on Tradestation (or similar), Excel or MATLAB, as I believe in creating a full in-house technology stack (for reasons outlined below). One of the benefits of doing so is that the backtest software and execution system can be tightly integrated, even with extremely advanced statistical strategies. For HFT strategies in particular it is essential to use a custom implementation.

When backtesting a system one must be able to quantify how well it is performing. The "industry standard" metrics for quantitative strategies are the maximum drawdown and the Sharpe Ratio . The maximum drawdown characterises the largest peak-to-trough drop in the account equity curve over a particular time period (usually annual). This is most often quoted as a percentage. LFT strategies will tend to have larger drawdowns than HFT strategies, due to a number of statistical factors. A historical backtest will show the past maximum drawdown, which is a good guide for the future drawdown performance of the strategy. The second measurement is the Sharpe Ratio, which is heuristically defined as the average of the excess returns divided by the standard deviation of those excess returns. Here, excess returns refers to the return of the strategy above a pre-determined benchmark , such as the S&P500 or a 3-month Treasury Bill. Note that annualised return is not a measure usually utilised, as it does not take into account the volatility of the strategy (unlike the Sharpe Ratio).

Once a strategy has been backtested and is deemed to be free of biases (in as much as that is possible!), with a good Sharpe and minimised drawdowns, it is time to build an execution system.

Execution Systems.

An execution system is the means by which the list of trades generated by the strategy are sent and executed by the broker. Despite the fact that the trade generation can be semi - or even fully-automated, the execution mechanism can be manual, semi-manual (i. e. "one click") or fully automated. For LFT strategies, manual and semi-manual techniques are common. For HFT strategies it is necessary to create a fully automated execution mechanism, which will often be tightly coupled with the trade generator (due to the interdependence of strategy and technology).

The key considerations when creating an execution system are the interface to the brokerage , minimisation of transaction costs (including commission, slippage and the spread) and divergence of performance of the live system from backtested performance.

There are many ways to interface to a brokerage. They range from calling up your broker on the telephone right through to a fully-automated high-performance Application Programming Interface (API). Ideally you want to automate the execution of your trades as much as possible. This frees you up to concentrate on further research, as well as allow you to run multiple strategies or even strategies of higher frequency (in fact, HFT is essentially impossible without automated execution). The common backtesting software outlined above, such as MATLAB, Excel and Tradestation are good for lower frequency, simpler strategies. However it will be necessary to construct an in-house execution system written in a high performance language such as C++ in order to do any real HFT. As an anecdote, in the fund I used to be employed at, we had a 10 minute "trading loop" where we would download new market data every 10 minutes and then execute trades based on that information in the same time frame. This was using an optimised Python script. For anything approaching minute - or second-frequency data, I believe C/C++ would be more ideal.

In a larger fund it is often not the domain of the quant trader to optimise execution. However in smaller shops or HFT firms, the traders ARE the executors and so a much wider skillset is often desirable. Bear that in mind if you wish to be employed by a fund. Your programming skills will be as important, if not more so, than your statistics and econometrics talents!

Another major issue which falls under the banner of execution is that of transaction cost minimisation. There are generally three components to transaction costs: Commissions (or tax), which are the fees charged by the brokerage, the exchange and the SEC (or similar governmental regulatory body); slippage, which is the difference between what you intended your order to be filled at versus what it was actually filled at; spread, which is the difference between the bid/ask price of the security being traded. Note that the spread is NOT constant and is dependent upon the current liquidity (i. e. availability of buy/sell orders) in the market.

Transaction costs can make the difference between an extremely profitable strategy with a good Sharpe ratio and an extremely unprofitable strategy with a terrible Sharpe ratio. It can be a challenge to correctly predict transaction costs from a backtest. Depending upon the frequency of the strategy, you will need access to historical exchange data, which will include tick data for bid/ask prices. Entire teams of quants are dedicated to optimisation of execution in the larger funds, for these reasons. Consider the scenario where a fund needs to offload a substantial quantity of trades (of which the reasons to do so are many and varied!). By "dumping" so many shares onto the market, they will rapidly depress the price and may not obtain optimal execution. Hence algorithms which "drip feed" orders onto the market exist, although then the fund runs the risk of slippage. Further to that, other strategies "prey" on these necessities and can exploit the inefficiencies. This is the domain of fund structure arbitrage .

The final major issue for execution systems concerns divergence of strategy performance from backtested performance. This can happen for a number of reasons. We've already discussed look-ahead bias and optimisation bias in depth, when considering backtests. However, some strategies do not make it easy to test for these biases prior to deployment. This occurs in HFT most predominantly. There may be bugs in the execution system as well as the trading strategy itself that do not show up on a backtest but DO show up in live trading. The market may have been subject to a regime change subsequent to the deployment of your strategy. New regulatory environments, changing investor sentiment and macroeconomic phenomena can all lead to divergences in how the market behaves and thus the profitability of your strategy.

위기 관리.

The final piece to the quantitative trading puzzle is the process of risk management . "Risk" includes all of the previous biases we have discussed. It includes technology risk, such as servers co-located at the exchange suddenly developing a hard disk malfunction. It includes brokerage risk, such as the broker becoming bankrupt (not as crazy as it sounds, given the recent scare with MF Global!). In short it covers nearly everything that could possibly interfere with the trading implementation, of which there are many sources. Whole books are devoted to risk management for quantitative strategies so I wont't attempt to elucidate on all possible sources of risk here.

Risk management also encompasses what is known as optimal capital allocation , which is a branch of portfolio theory . This is the means by which capital is allocated to a set of different strategies and to the trades within those strategies. It is a complex area and relies on some non-trivial mathematics. The industry standard by which optimal capital allocation and leverage of the strategies are related is called the Kelly criterion . Since this is an introductory article, I won't dwell on its calculation. The Kelly criterion makes some assumptions about the statistical nature of returns, which do not often hold true in financial markets, so traders are often conservative when it comes to the implementation.

Another key component of risk management is in dealing with one's own psychological profile. There are many cognitive biases that can creep in to trading. Although this is admittedly less problematic with algorithmic trading if the strategy is left alone! A common bias is that of loss aversion where a losing position will not be closed out due to the pain of having to realise a loss. Similarly, profits can be taken too early because the fear of losing an already gained profit can be too great. Another common bias is known as recency bias . This manifests itself when traders put too much emphasis on recent events and not on the longer term. Then of course there are the classic pair of emotional biases - fear and greed. These can often lead to under - or over-leveraging, which can cause blow-up (i. e. the account equity heading to zero or worse!) or reduced profits.

As can be seen, quantitative trading is an extremely complex, albeit very interesting, area of quantitative finance. I have literally scratched the surface of the topic in this article and it is already getting rather long! Whole books and papers have been written about issues which I have only given a sentence or two towards. For that reason, before applying for quantitative fund trading jobs, it is necessary to carry out a significant amount of groundwork study. At the very least you will need an extensive background in statistics and econometrics, with a lot of experience in implementation, via a programming language such as MATLAB, Python or R. For more sophisticated strategies at the higher frequency end, your skill set is likely to include Linux kernel modification, C/C++, assembly programming and network latency optimisation.

If you are interested in trying to create your own algorithmic trading strategies, my first suggestion would be to get good at programming. My preference is to build as much of the data grabber, strategy backtester and execution system by yourself as possible. If your own capital is on the line, wouldn't you sleep better at night knowing that you have fully tested your system and are aware of its pitfalls and particular issues? Outsourcing this to a vendor, while potentially saving time in the short term, could be extremely expensive in the long-term.

양적 거래 시작하기?

QuantStart 목록을 구독해야하는 3 가지 이유 :

1. 퀀트 트레이딩 레슨.

계량 거래를 시작하는 데 도움이되는 힌트와 팁으로 가득한 무료 10 일간 코스에 즉시 액세스 할 수 있습니다!

2. All The Latest Content.

매주 나는 퀀트 스타트에서 모든 활동의 포장을 보내드릴 것입니다. 그래서 당신은 결코 다시 글을 놓치지 않을 것입니다.

현실감 넘치는 퀀 트레이딩 팁.