استراتيجية التداول إيم
الرأس إلى الرأس: إيم مقابل. التعليم ما قبل الجامعي.
وقد ولد تطور عالم إتف العشرات على العشرات من العروض المبتكرة التي تجعل من السهل وفعالة من حيث التكلفة للاستفادة من الاستراتيجيات وفئات الأصول التي كانت في السابق بعيدا عن متناول المستثمرين السائدين. ومع اختیار أکثر من 1،400 من الصنادیق المتداولة في البورصة، والإطلاق الجدید کل شھر، قد یشعر بعض المستثمرین بالترھیب قلیلا عندما یأتي الوقت لانتاج منتج یلائم احتیاجاتھم. المستثمرون الذين يتطلعون إلى الاستفادة من الأسواق الناشئة لديهم أكثر من حفنة من الخيارات للاختيار من بينها، مع بعض اتخاذ نهج واسع النطاق في حين أن البعض الآخر تعرض التعرض بلد محدد [انظر تقرير مجاني: كيفية اختيار إتف الحق في كل مرة].
في هذه المعركة من الرأس إلى الرأس، سوف ننظر اثنين من الأموال الأكثر شعبية من الأسواق الناشئة للأسهم إتفدب الفئة؛ وتلبية فانغوارد & # 8217؛ مسي مسي السوق الناشئة (فو) و إشاريس & # 8217؛ مسي مؤشر الأسواق الناشئة صندوق (إيم) [محاولة لدينا الحرة إتف رئيس إلى الرأس أداة].
المنافسين.
في الوقت الحاضر، فو يأخذ المنزل الجائزة عندما يتعلق الأمر شعبية. هذا العرض من الطليعة تراكمت أكثر من 58 مليار دولار في الأصول تحت الإدارة منذ إطلاقه في 4 مارس 2005. والمؤشر الأساسي لهذا إتف هو مؤشر مسي للأسواق الناشئة المعروفة، والتي تتطلع إلى قياس أداء الكون واسعة من الأسواق الناشئة مخازن.
و إيشاريس من ناحية أخرى، إيم، التي تراكمت لديها أكثر من 37 مليار $ في الأصول تحت الإدارة منذ إطلاقه في 7 أبريل 2003. يجب أن المستثمرين لاحظ أن هذا الصندوق الأوروبي يتتبع نفس مؤشر مسي كما فو، على الرغم من أن نظرة فاحصة تحت غطاء محرك السيارة من كل يكشف عن بعض الاختلافات الجديرة بالملاحظة.
أبيل & أمب؛ الأنسب.
وقد وجدت أسواق األسواق الناشئة طريقها إلى عدد ال يحصى من المحفظة حيث جعلت صناديق االستثمار المتداولة من السهل االستفادة من هذه الفئة من األصول المربحة. والنداء وراء الاستثمار في هذا القطاع من السوق العالمية واضح إلى حد ما؛ ومن المعروف أن الأسواق الناشئة لاتجاهاتها الديمغرافية المواتية، وزيادة معدلات التحضر، وفي نهاية المطاف معدلات نموها الاقتصادي الأعلى بالمقارنة مع نظرائها في السوق المتقدمة [انظر أيضا تقرير الأسواق الناشئة للأسهم في إتفدب].
ومن المفيد تخصيص حصة عريضة القاعدة للأسهم الناشئة في الأسواق الناشئة لعدد من المحافظ. ويجوز للمستثمرين المحافظين أن ينظروا إلى فئة األصول هذه على أنها تكملة لمكونات األسهم الحالية نظرا للطبيعة األكثر خطورة لهذه األوراق المالية. من ناحية أخرى، فإن المزيد والمزيد من المستثمرين بما في ذلك الأسواق الناشئة باعتبارها الحيازات الأساسية منذ هذه الفئة الأصول أثبتت القدرة على تحقيق عوائد رائعة حقا مع المخاطر التي يمكن التحكم فيها.
تحت الغطاء.
على الرغم من أن كل من فو و إيم تتبع نفس مؤشر مسي للأسواق الناشئة، والفرق في استراتيجيات كل منهما يؤدي إلى بعض الاختلافات الجديرة بالملاحظة [انظر فو - إيم المقارنة هنا].
وتتكون محفظة فوو & # 8217؛ من 891 مخزنا، في حين أن إيم تمتلك 856 فقط. علاوة على ذلك، فإن أعلى 10 مخصصات في كل صندوق متداول متشابه، ولكن ليس متطابقا. حتى أين & # 8217؛ s فصل؟ ونظرا لأن إيم تستخدم إستراتیجیة أخذ العینات لتحقیق ھدفھا الاستثماري، فإن ھذا الصندوق لا یحمل جمیع مکونات المؤشر الأساسي، بل سیحاول بناء محفظة أصغر تتطابق بشکل وثیق مع نتائج المعاییر الکاملة . وعلى سبيل المقارنة، تستخدم فو استراتيجية استنساخ كاملة؛ وهذا يعني أن صندوق المتاجرة األوروبية سيحتفظ بشكل أساسي بكل مكون في المؤشر األساسي) انظر أيضا ما وراء إيم: خيارات إتف البديلة للسوق الناشئة (.
ومن منظور توزيع القطاعات، فإن املخصصات الثالثة األوىل يف كل صندوق من صناديق االستثمار األوروبية متطابقة؛ فإن الخدمات المالية تحصل على أكبر قدر من المخصصات يليها توزيعات متساوية إلى حد ما في مختلف قطاعات التكنولوجيا والمواد الأساسية والطاقة. ومن منظور جغرافي، فإن أعلى ثلاثة مخصصات حسب البلد متطابقة أيضا؛ الصين وكوريا الجنوبية والبرازيل وتايوان تتلقى مخصصات كبيرة.
النفقات & أمب؛ أداء.
الفرق الأكبر بين هذين الصندوقين المتداولين المتقاربين على ما يبدو يكمن في نسب النفقات الخاصة بهما. إيم رسوم نسبة الانفاق السنوية 0.67٪ حاد في حين منافسه، فو، يكلف مجرد 0.20٪. هذا الاختلاف في التكلفة قد يبدو تافهة للتجار على المدى القصير، ومع ذلك، على المدى الطويل، فو مضمونة أساسا لتفوق إيم [انظر أيضا صناديق الاستثمار المتداولة في الأسواق الناشئة: 7 العوامل يجب أن ينظر كل مستثمرين].
ولتوضيح هذه النقطة، أخذ في االعتبار األداء التاريخي لكل مؤسسة من صناديق االستثمار األوروبية في 2008 و 2009 و 2018 و 2018؛ على مدى هذه الفترة الزمنية، عاد فو -52٪، 75٪، 19٪ و -18٪ على التوالي. في نفس الفترة الزمنية، تمكنت إيم من العودة -48، 68٪، 16٪ و -18٪ على التوالي. وكما ترون، فإن الاختلافات في النفقات والاستنساخ الكامل مقابل استراتيجية أخذ العينات تؤدي إلى آثار جوهرية على عوائد الأرباح النهائية بمرور الوقت.
الخط السفلي.
وبالنسبة للمستثمرين الذين يتطلعون إلى التكلفة، فإن المستثمرين الذين يتطلعون للاستفادة من مؤشر الأسواق الناشئة واسع النطاق، فإن فو هو بالتأكيد العرض المتميز نظرا لسعره الجذاب واستراتيجية التكرار الكاملة. أقل خطأ تتبع وتنويع أفضل جعل الطليعة & # 8217؛ s إتف الصعب أن يمر حتى لأولئك في ذلك لمسافات طويلة.
ومع ذلك، فإن إيم تحظى بمزيد من النداء لدى التجار النشطين الذين يقدرون السيولة قبل كل شيء. يتميز عرض "آي شاريس" بسوق خيارات أكثر سيولة، وهو ما يحتمل أن يناشد التجار الأكثر تعقيدا الذين يتطلعون إلى توظيف أي عدد من الاستراتيجيات المتقدمة على مدى فترة زمنية أقصر.
اتبعني على تويترSBojinov.
الإفصاح: لا توجد وظائف في وقت كتابة هذا التقرير.
كيف يتم فرض ضريبة على صناديق الاستثمار المتداولة في الذهب في 25 يونيو 2017.
ذي إتف بيرفورمانس فيسواليزر 24 سبتمبر، 2018.
أهم مؤشرات الإرجاع حسب السنة: دليل مرئي 16 تموز (يوليو) 2018.
دليل مرئي ل إتف الكون أبريل 23، 2018.
التاريخ البصري لمعدل داو جونز الصناعي (ديا) 14 مارس 2018.
101 إتف ليسونس كل مستشار مالي يجب أن يتعلم 23 مايو 2018.
النشرة الإخبارية إتفدب.
تحديثات مجانية على صناديق الاستثمار المتداولة، أفكار الاستثمار القابلة للتنفيذ & أمبير؛ أكثر من.
إتف الفرز.
البحث وتصفية صناديق الاستثمار المتداولة لأي هدف استثماري.
قاعدة بيانات إتف ليست مستشارا استثماريا، وأي محتوى تنشره قاعدة بيانات إتف لا يشكل نصيحة استثمارية فردية. الآراء الواردة هنا ليست توصيات شخصية لشراء أو بيع أو الاحتفاظ الأوراق المالية. من وقت لآخر، يمكن لمصدري المنتجات المتداولة في البورصة المذكورة هنا وضع إعلانات مدفوعة مع قاعدة بيانات إتف. يتم إنتاج جميع المحتويات على قاعدة بيانات إتف بشكل مستقل عن أي علاقات إعلانية. اقرأ إخلاء المسؤولية الكامل.
إتف دب مراكز المعرفة.
قصص حديثة.
المواضيع الشائعة.
السلع: عرض الكل.
إتفس: عرض الكل.
توزيعات الأرباح: عرض الكل.
التداول: عرض الكل.
اشترك في إتفدب برو اليوم؟
جعل أفضل، أكثر ربحية مربعات إتف محفظة.
قاعدة البيانات.
أخبار & أمب؛ تحليل.
حول قاعدة بيانات إتف.
الإعلانات.
انتظر! هل محفظتك محمية لما ستجلبه الأسواق في خريف هذا العام؟
منخفضة المخاطر "جميع الأحوال الجوية" محفظة.
قد يكون خلق محفظة متنوعة بشكل صحيح اقتراح صعب، وخصوصا عندما.
انخفاض تقلب إتف قائمة.
تستثمر صناديق الاستثمار المتداولة ذات التقلبات المنخفضة في الأوراق المالية ذات خصائص التقلب المنخفضة. وتميل هذه الأموال إلى الحصول على أسعار أسهم مستقرة نسبيا، ومعدلات أعلى من المتوسط.
10 صناديق الاستثمار المتداولة للحد من المخاطر في محفظتك.
المستثمرون الذين يشكون في أن سوق الأسهم قد يكون على وشك الانخفاض يمكن اتخاذ إجراءات للحد من.
إستراتيجية التداول إيم
وتتبع مؤسسة "آي شاريس إم إس سي آي للأسواق الناشئة" مؤشرا للشركات الناشئة في الأسواق المرجحة حسب سقف السوق.
إيم فاكتسيت أناليتيكش إنزيت.
قوة القطاع إيم تفتخر أوم ضخمة وحجم التداول ضخمة، حتى بعد أن فقدت مكانتها باعتبارها أكبر إتف الأسواق الناشئة لمنافسه فو، من الطليعة. إن السيولة القوية في السوق وسوق الخيارات العميقة مثيرة للإعجاب. في حين أن نسبة النفقات الخاصة بها مرتفعة بشكل مفاجئ لصندوق الفانيليا، فإن التتبع المتين للصندوق يجعله أكثر قدرة على المنافسة على تحمل التكاليف مقارنة بالرسوم الرئيسية.
إيم يطابق السوق بشكل جيد. في الواقع، فإنه يستخدم نسخة مماثلة، وإن كان أضيق من معيار مسي لدينا. والفرق الرئيسي هو أن الصندوق لا يذهب إلى حد كبير في نطاق رأس المال السوقي كمعيارنا القياسي، متجاهلا العديد من الشركات الصغيرة وكافة الشركات الصغيرة. ومع ذلك، فإن التغطية ممتازة. وبما أنه يتبع مؤشر مسي، إيم يهم كوريا الجنوبية كما الناشئة، في حين أن فوستو القائم على منافسه فو لا.
وعموما، يوفر إيم سيولة للغاية، والتعرض محايد للأسواق الناشئة ومليئة تماما للتجار النشطين، ولكن بالنسبة للمستثمرين على المدى الطويل، وهناك خيارات أرخص.
إيم مسي إسغ أناليتيكش انسايت.
تقیس نقاط الجودة الخاصة بصندوق إم إس سي إسغ قدرة إمکانیات شرکة إتف علی إدارة المخاطر والفرص الرئیسیة علی المدى المتوسط إلی الطویل الأجل الناشئة عن العوامل البیئیة والاجتماعیة والحوکمة، کما تحددھا إم إس سي إسغ ريزارتش ليك. اعتبارا من 21 ديسمبر 2017 إيشاريس مسي الأسواق الناشئة إتف مسي إسغ نقاط الجودة صندوق هو 4.29 من أصل 10.
إيم أفضل 10 دول عرض الكل.
إيم أعلى 10 قطاعات.
إيم توب 10 هولدينغز عرض الكل.
إيم ملخص البيانات.
بيانات محفظة إيم.
بيانات مؤشر إيم.
صناديق الاستثمار المتداولة ذات الصلة إلى إيم.
مقالات ذات صلة.
إدارة محفظة إيم.
إيم التعرضات الضريبية.
هيكل صندوق إيم.
إيم فاكتسيت أناليتيكش حظر السيولة.
ويوضح هذا القياس مدى سهولة تداول كتلة إيم بقيمة مليون دولار أمريكي. تم تصنيف إيم 5 من 5.
إيم التقلب.
إيم قطاع / صناعة انهيار عرض الكل.
إيم توب 10 هولدينغز عرض الكل.
إيم التعرض الجغرافي.
سبليت الناشئة 52.13٪ / 47.87٪ 52.13٪ / 47.94٪
إيم إحصاءات الأداء.
إيم مسي إسغ التقييمات.
إيم المقارن المقارنة.
إيم 835 القابضة القطاع المعيار 2641 المكونة المشتركة القابضة 831 (عدد) 86.79٪ (الوزن)
كابيتال مارك 86.94 B 99.90 B.
نسبة 16.07 15.40.
القابضة 2641 835.
لا يقصد من البيانات والمعلومات الواردة في هذه الوثيقة أن تكون نصيحة استثمارية أو ضريبية. إن الإشارة إلى استثمار أو أمن معين أو تصنيف ائتماني أو أية ملاحظة تتعلق بالأمن أو الاستثمار المقدمة في خدمة إتف ليست توصية لشراء أو بيع أو الاحتفاظ بهذا الاستثمار أو الأمن أو اتخاذ أي قرارات استثمارية أخرى. يجب عدم استخدام هذه المعلومات لأغراض أي معاملة فعلية دون استشارة أحد المتخصصين في الاستثمار أو الضرائب.
توفر شركة مسسي إسغ ريزارتش ليك ("مسي إسغ") منتجات مقاييس الصندوق ("المعلومات") بيانات بيئية واجتماعية وحوكمة فيما يتعلق بالأوراق المالية الأساسية ضمن أكثر من 24،000 صندوق استثمار متعدد الأصول وصناديق الاستثمار المتداولة على مستوى العالم. مسي إسغ هو مستشار الاستثمار المسجل بموجب قانون المستشارين الاستثمار لعام 1940. لم يتم تقديم مواد مسي إسغ إلى، أو الحصول على موافقة من سيك الولايات المتحدة أو أي هيئة تنظيمية أخرى. لا يشكل أي من هذه المعلومات عرضا لشراء أو بيع أو ترويج أو توصية لأي من الأدوات المالية أو الأدوات المالية أو المنتجات أو إستراتيجيات التداول ولا يجب أن يؤخذ كمؤشر أو ضمان لأي أداء أو تحليل أو توقع أو توقع مستقبلي . أي من المعلومات يمكن استخدامها لتحديد الأوراق المالية لشراء أو بيع أو متى لشراء أو بيعها. يتم توفير المعلومات "كما هي" ويتحمل المستخدم المعلومات خطر كامل من أي استخدام قد يجعل أو يسمح أن تكون مصنوعة من المعلومات.
إستراتيجية التداول إيم
يرجى تسجيل الدخول أو الاشتراك للحصول على المزيد من الوظائف والوصول إلى حسابك.
تسجيل الخروج المستخدم.
هل أنت متأكد من تسجيل الخروج الآن؟
تحليل انتشار متعامد.
نحن هنا تطبيق الانحدار المتعامد (المعروف أيضا باسم مجموع المربعات الصغرى) على حد سواء سلسلة الأسعار. نحن مهتمون ببعض الخصائص الإحصائية الرئيسية (مثل & بيتا ؛،) وفي تحليل المخلفات المتعامدة:
تحليل التكامل المشترك.
في هذا القسم، يتم تنفيذ اختبار التكامل المشترك إنغل-غرانجر باستخدام طريقة انحدار عملية شريان الحياة للسودان في كلا الاتجاهين. يتم رسم مخلفات الانحدار وتحليلها بشكل أكبر:
تحليل الربح.
تحليل الربح هو مجموعة من باكتيستس يؤديها باستخدام نماذج تداول زوج متعددة على جزء كبير من مساحة المعلمة. يتم عرض نتائج باكتست في شكل مؤامرة مبعثر. بالإضافة إلى ذلك، يمكنك الاطلاع على الإحصاءات المجمعة في اللوحة اليمنى. يتم تنفيذ جميع باكتيستس باستخدام هامش 100٪ (الرافعة المالية 1: 1). هذا هو تحليل الربح حيث يسمح استراتيجيات باكتستد لفتح كل من مراكز طويلة وقصيرة:
هذا هو تحليل الربح حيث يسمح استراتيجيات باكتستد لفتح مراكز طويلة فقط:
هذا هو تحليل الربح حيث يسمح استراتيجيات باكتستد لفتح المراكز القصيرة فقط:
تحليل الربح (مقلوب!)
وقد تم إجراء تحليل الربح باستخدام استراتيجيات ذات إشارات مقلوبة وأسعار محولة. مفيدة في الغالب لتداول أزواج تتألف من إتف معكوس من أجل البقاء محايدة السوق (مزيد من المعلومات). ومثل، وحتى ومثل. يعني أن المحطة الأولى مقلوبة ومتحولة، & كوت؛ أود & كوت؛ يعني أن المحطة الأولى تتحول ولكن المحطة الثانية مقلوبة.
وقد سمح للاستراتيجيات المعبأة مسبقا بفتح المراكز الطويلة والقصيرة على السواء:
هذا هو تحليل الربح حيث يسمح استراتيجيات باكتستد لفتح مراكز طويلة فقط:
هذا هو تحليل الربح حيث يسمح استراتيجيات باكتستد لفتح المراكز القصيرة فقط:
© 2018 - 2017 كوانتفيرز OÜ. كل الحقوق محفوظة.
تنويه: باكتستد، محاكاة أو افتراضية نتائج الأداء لديها بعض القيود الكامنة. وخلافا للنتائج المبينة في سجل الأداء الفعلي، فإن هذه النتائج لا تمثل التداول الفعلي. هناك العديد من العوامل المتعلقة بسوق الأوراق المالية بشكل عام وتنفيذ أي برنامج توقيت سوق الأسهم، والتي لا يمكن حسابها بشكل كامل في إعداد نتائج الأداء الافتراضية. ولا تؤخذ النتائج المرتفعة المدرجة هنا في الاعتبار الانزلاق أو الرسوم أو الضرائب أو الأرباح الموزعة والفوائد المكتسبة من المراكز النقدية. وستؤثر هذه العوامل على نتائج التداول الفعلية. وتخضع أنظمة التداول بالأسهم المحاكاة أو المختبرة أو المفترضة بشكل عام لحقيقة أنها مصممة مع الاستفادة من الفارق الزمني. ولا يمثل الأداء المعتمد مسبقا الأداء الفعلي ولا ينبغي تفسيره على أنه مؤشر على هذا الأداء. لا يتم تقديم أي تمثيل أنك سوف أو من المرجح أن يحقق أرباحا أو خسائر مماثلة لتلك التي تظهر. يوفر هذا الموقع معلومات تداول الأسهم غير الشخصية التعليمية، وبالتالي، لا يمكن النظر أو يتم نحو الظروف المالية الخاصة بك. لا تعتبر جميع المواد المقدمة ضمن النصائح الاستثمارية، ولكن لأغراض إعلامية عامة فقط.
فو. إيم: ما الذي يجب أن تشتريه؟
13 أكتوبر 2009.
فو و إيم تتبع نفس مؤشر الأسواق الناشئة. فلماذا فو يضرب إيم بنسبة 4 في المئة هذا العام؟
إذا كان عكس أداء مؤشر هو المقياس النهائي للنجاح لصندوق المتاجرة في البورصة، فانغوارد الأسواق الناشئة إتف (نيساركا: فو) لديه اليد العليا على منافسه المباشر، أكبر وأكثر استقرارا، إشاريس مسي مؤشر الأسواق الناشئة صندوق ( نيساركا: إيم).
على الرغم من أن كل من إيم و فو تتبع نفس مؤشر مسي للأسواق الناشئة، في عام 2009، وهما قد حققت عوائد مختلفة جدا.
وحققت الشركة منذ تاريخه عوائد قدرها 58.6 في المائة، مما أدى إلى ارتفاع المؤشر بمقدار 5.8 نقطة مئوية، وهو خطأ كبير في التتبع حسب معايير الصناعة. وفى الوقت نفسه، اظهرت الشركة عائدات بلغت نسبتها 62.8 فى المائة، متخلفة بفارق ضئيل فى المؤشر الذى حقق 64.5 فى المائة فى هذه الفترة.
قد تفسر هذه الفجوة لماذا جذب فو ما يقرب من 4.9 مليار $ في الأصول الجديدة حتى الآن هذا العام، في حين شهدت إيم فقط 2.4 مليار $ في رأس المال الجديد إلى خزائنها.
ما الذي يدفع الفرق؟
بالنسبة للمبتدئين، يستخدم فو ما يسمى "النسخ المتماثل الكامل" لتتبع مؤشره، وهذا يعني أنه يحمل جميع الأسهم في مؤشره. على النقيض من ذلك، يستخدم مؤشر إيم استراتيجية "التحسين"، مع الاحتفاظ بمجموعة فرعية فقط من هذه الأسهم، على أمل أن تعكس هذه المجموعة الفرعية أداء المؤشر الأوسع نطاقا.
في كل شيء، فو لديها 790 أسهم في محفظتها مقابل 328 إيم.
ولكن الكثير من صناديق الاستثمار المتداولة تستخدم استراتيجيات التحسين، في حين لا تزال تصر على مقربة من المؤشر. ما يعطي مع إيم؟
ووفقا لدينا تينغ، مدير محفظة المحافظات لدى "باركليز جلوبال إنفستورز"، فإن استراتيجية التحسين التي تتبعها الشركة تسعى إلى تحقيق أقصى قدر من الكفاءة في السيولة والضرائب. ولهذا السبب، فإنها تعتمد اعتمادا كبيرا على استخدام أدرس و غرس لتمثيل الحيازات في البلدان التي تجعل القيود والسياسات فيها من الصعب الحصول على التعرض.
يمكن أن يؤدي استخدام أدرس و غرس إلى تغيير العوائد اليومية للصندوق مقابل المعيار المعياري منذ تداول أدرس و غر's خلال ساعات السوق الأمريكية، في حين يتتبع الصندوق الأسهم المدرجة محليا والتي قد يتم إغلاقها خلال يوم السوق الأمريكي.
وقال تينغ "عندما يكون لديك الكثير من أدرس و غرس، فإنك سوف ترى فروق أعلى في الأداء بسبب كل المناطق الزمنية المختلفة عند التداول".
لكن الفارق الزمني في المنطقة الزمنية وحدها لا يمكن أن يفسر فجوة الأداء بنسبة 5.8 في المئة. وهناك عامل آخر، وفقا لتينغ، هو الحجم الهائل من الارتفاع في الأسواق الناشئة، مع اكتساب المؤشر 65 في المئة سنويا.
وقال تينغ: "عندما يكون لديك تحرك جذري من هذا القبيل، سوف ترى المزيد من الاختلاف بين الصناديق".
في نهاية المطاف، ومع ذلك، فإنه يأتي إلى مستوى المحفظة، والحقيقة البسيطة هي أن محفظة إيم يختلف بشكل كبير عن كل من فو والمؤشر.
على سبيل المثال، من وجهة نظر القطاع، كان كلا الصندوقين يحتفظان بالخدمات المالية في أعلى محافظهما اعتبارا من 30 سبتمبر، ويحصل هذا القطاع على حوالي 25 في المئة من الكعكة في كل من الصناديق والمؤشر.
إلا أن الأوزان في شيء مثل تكنولوجيا المعلومات تباينت على نطاق واسع: تمثل تقنية المعلومات 16.09 في المئة من التعرض ل إيم، مقارنة مع 13.69 في المئة فقط في المؤشر و 13.63 في المئة في فو.
يمكنك الاطلاع على تفاصيل الصناديق و مؤشر مسي أدناه:
القطاعات ليست هي الطريقة الوحيدة التي يختلف بها الصندوقان، إما: كما أنها تختلف على أساس قطري. على سبيل المثال، مؤشر مسي هو 13.73 في المئة يتعرض لكوريا الجنوبية. ويوجد لدى شركة فولكس فاجن البريطانية تعريضا مماثلا، بنسبة 13.50 في المائة. بيد أن مؤشر إيم يعاني من نقص حاد في الوزن في البلاد، حيث يبلغ معدله 9.24 في المائة فقط. وعلى النقيض من ذلك، فإن الصندوق بلدان ذات زيادة الوزن مثل جنوب أفريقيا وإسرائيل وتركيا.
البيانات: فانغوارد أند مورنينستار، Inc.
ويمكن أن تحسب بعض اختلافات البلدان عن طريق شهادات الإيداع العالمية، التي يمكن أن تسند في تصنيفات البلدان خطأ. ولكن التناقضات في القطاع أساسية، وتتحدث عن تأثير استراتيجية التحسين.
بمعنى ما، هذه ليست أخبار. كتب مات هوجان عن هذا التناقض في الأداء في إتفر في عام 2007 (يمكنك قراءة تلك القصة هنا). ولكن بعض مزيج من الأحداث قد تآمر لدفع فرق كبير في الأداء على مدى الأشهر التسعة الماضية. وفقا ل تينغ، نهج فوكو تكرار تماما يميل إلى أداء أفضل في الأوقات المتقلبة مثل تلك الحالية، عندما أصغر وأقل سائل أسماء تميل إلى إظهار أداء أفضل من تلك أكثر السائل.
ولكن إذا نظرنا إلى الوراء، فإن الاختلافات في الأداء تبدو حتى خارجا. وإذا نظرنا إلى عائدات سنوية مدتها ثلاث سنوات، فإن كلا الصندوقين قاما بشكل وثيق جدا بالمؤشر، حيث سجلت فو عائدات سنوية بلغت 7.82 في المئة و إيم بنسبة 8.31 في المئة، في حين ارتفع المؤشر بنسبة 7.95 في المئة. وعلى أساس خمس سنوات، إيم يكاد يكون مثاليا، حيث حقق عوائد 17.20 في المئة مقابل 17.31 للمؤشر.
ويعتقد تينغ أن المستثمرين الحصول على الصورة الأكبر. وأشارت إلى أن أكبر المستثمرين في الشرق الأوسط هم مؤسسون، وقفزوا على عربة الأسواق الناشئة في يوليو من عام 2008 عندما بدأت الأمور تتحول في المنطقة.
من يوليو 2008 إلى مايو 2009، شهدت إيم تدفق الأصول من 14 مليار دولار، في حين اكتسب فو 3.4 مليار دولار، يقول تينغ.
وقال تينغ "ان المستثمرين المؤسساتيين عادة ما يتقدمون فى بقية الاستثمارات."
ما هو مستقبلي من المستحيل التنبؤ به، ولكن سيتعين على شركة إيم أن تحدد طريقة لمواءمة أدائها مع مؤشرها الرائد على الرغم من تقلبات السوق والتركيز على السيولة.
في الوقت الراهن، في نهاية اليوم، فإن الشركة لا يبدو قلقا للغاية مع أداء هذا العام.
وقال تينغ "ان خطأ التتبع الذى نراه هو ضمن توقعاتنا". "إيم هو أداء تماما كما كنا نتوقع".
و التاجر R.
استخدام R والأدوات ذات الصلة في التمويل الكمي.
أرتشيف فور & # 8216؛ ترادينغ ستراتيجيس & # 8217؛ الفئة.
ربط R إلى إقفيد مع حزمة كوانتولس.
يوفر إقفيد تدفق خدمات البيانات والحلول التجارية التي تغطي السوق الزراعي والطاقة والمالية. بل هو معروف ومعترف به مزود تغذية البيانات الموجهة نحو مستخدمي التجزئة والمؤسسات الصغيرة. يبدأ سعر الاشتراك في حوالي 80 $ / الشهر.
وقد وضعت ستانيسلاف كوفاليفسكي حزمة تسمى كوانتولس. بل هو حزمة في كل واحدة تهدف إلى تعزيز النمذجة التداول الكمي. فإنه يسمح لتحميل وتنظيم بيانات السوق التاريخية من مصادر متعددة مثل ياهو، جوجل، فينام، موكس و إكيفيد. الميزة التي تهمني أكثر هي القدرة على ربط إكفيد ل R. أنا & # 8217؛ لقد تم استخدام إكفيد لبضع سنوات وأنا & # 8217؛ م سعيد معها (أنا & # 8217؛ م لا ينتمي إلى الشركة في أي الطريق). ويمكن الاطلاع على مزيد من المعلومات هنا. أنا & # 8217؛ كنت تبحث عن التكامل داخل R لفترة من الوقت وهنا هو. ونتيجة لذلك، بعد أن ركضت بعض الاختبارات، انتقلت التعليمات البرمجية التي كانت لا تزال في بيثون إلى R. مجرد اكتمال، وهنا & # 8217؛ ق رابط يشرح كيفية تحميل البيانات التاريخية من إكفيد باستخدام بايثون.
كوانتولس يقدم أربع وظائف رئيسية هي: الحصول على بيانات السوق، مخزن / استرداد بيانات السوق، مؤامرة البيانات سلسلة الوقت والاختبار مرة أخرى.
تأكد أولا من أن إقفيد مفتوح. يمكنك إما تحميل البيانات اليومية أو خلال اليوم. أدناه رمز التنزيلات الأسعار اليومية (المفتوحة، عالية، منخفضة، إغلاق) ل سبي من 1 يناير 2017 إلى 1 يونيو 2017.
أدناه رمز التنزيلات البيانات اللحظية من 1 مايو 2017 إلى 3 مايو 2017.
لاحظ معلمة الفترة. يمكن أن تأخذ أي من القيم التالية: القراد، 1min، 5min، 10min، 15min، 30min، ساعة، يوم، أسبوع، شهر، اعتمادا على التردد الذي تحتاجه.
كوانتولس يجعل عملية إدارة وتخزين بيانات سوق القراد سهلة. كنت فقط الإعداد معلمات التخزين وكنت على استعداد للذهاب. المعلمات هي حيث، منذ التاريخ والرموز التي ترغب في أن يتم تخزينها. في أي وقت يمكنك إضافة المزيد من الرموز وإذا لم تكن موجودة في التخزين، كوانتولس يحاول الحصول على البيانات من تاريخ البدء المحدد. سيقوم الرمز أدناه بحفظ البيانات في الدليل التالي: & # 8220؛ C: / وسرس / أرنو / دوكومينتس / ماركيت داتا / إكفيد & # 8221 ؛. هناك مجلد فرعي واحد من قبل أداة والبيانات هو أفيد في ملفات. rds.
يمكنك أيضا تخزين البيانات بين تواريخ محددة. استبدل السطر الأخير من الشفرة أعلاه بأحد الخيارات التالية.
الآن إذا كنت ترغب في الحصول على العودة بعض البيانات التي قمت بتخزينها، مجرد تشغيل شيء مثل:
لاحظ أن القراد فقط معتمد في التخزين المحلي لذلك يجب أن تكون الفترة & # 8216؛ علامة & # 8217؛
كوانتولس يوفر وظيفة plot_ts لرسم البيانات سلسلة الوقت دون عطلة نهاية الأسبوع، والعطلات والثغرات بين عشية وضحاها. في المثال أدناه، أنا أولا استرداد البيانات المخزنة أعلاه، ثم حدد أول 100 الملاحظات السعر وأخيرا رسم المخطط.
أمران أن نلاحظ: الجاسوس الأول هو كائن data. table وبالتالي بناء الجملة أعلاه. للحصول على لمحة سريعة عن قدرات data. table لها نظرة على هذه الورقة الغش ممتازة من داتاكامب. ثانيا المعلمة المحلية ترو كما يتم استرجاع البيانات من وحدة التخزين الداخلية.
كوانتولس يسمح لكتابة استراتيجية التداول الخاصة بك باستخدام C ++ أبي. أنا & # 8217؛ م لن نتحدث عن هذا لأن هذا هو أساسا C ++ التعليمات البرمجية. يمكنك الرجوع إلى قسم الأمثلة على موقع كوانتولس.
عموما أجد حزمة مفيدة للغاية وموثقة بشكل جيد. الشيء الوحيد المفقود هو تغذية حية بين R و إقفيد والتي سوف تجعل حزمة نهاية حقيقية لإنهاء الحل.
كالمعتاد أي تعليقات موضع ترحيب.
بيرت: الوافد الجديد في اتصال R إكسيل.
قبل بضعة أشهر قارئ يشير لي من هذه الطريقة الجديدة لربط R و إكسيل. أنا لا أعرف كم من الوقت كان هذا حولها، ولكن أنا لم تأتي عبر ذلك وأنا & # 8217؛ لم أر أي مشاركة بلوق أو مقالة حول هذا الموضوع. لذلك قررت أن أكتب وظيفة كأداة حقا يستحق ذلك وقبل أن يسأل أي شخص، أنا & # 8217؛ م لا علاقة للشركة بأي شكل من الأشكال.
يقف بيرت لمجموعة أدوات إكسيل R الأساسية. إنه مجاني (مرخص بموجب غل v2) وقد تم تطويره من قبل ستروتوريد داتا ليك. في وقت كتابة النسخة الحالية من بيرت هو 1.07. ويمكن الاطلاع على مزيد من المعلومات هنا. من منظور أكثر تقنية، تم تصميم بيرت لدعم تشغيل وظائف R من خلايا جداول البيانات إكسل. في عبارات إكسيل، فإنه يتم كتابة المهام التي يحددها المستخدم (أودفس) في R.
في هذا المنصب أنا & # 8217؛ م لن تظهر لك كيف R و إكسيل التفاعل عبر بيرت. هناك دروس جيدة جدا هنا، هنا وهنا. بدلا من ذلك أريد أن تظهر لك كيف استخدمت بيرت لبناء & # 8220؛ برج التحكم & # 8221؛ لتداول بلدي.
يتم إنشاء إشارات التداول الخاصة بي باستخدام قائمة طويلة من الملفات R ولكن أنا بحاجة إلى مرونة إكسيل لعرض النتائج بسرعة وكفاءة. كما هو مبين أعلاه بيرت يمكن أن تفعل هذا بالنسبة لي ولكن أريد أيضا أن خياط التطبيق لاحتياجاتي. من خلال الجمع بين قوة شمل، فبا، R و بيرت يمكنني إنشاء تطبيق جيد حتى الآن قوية في شكل ملف إكسيل مع الحد الأدنى من التعليمات البرمجية فبا. في نهاية المطاف لدي ملف اكسل واحد جمع كل المهام اللازمة لإدارة محفظتي: تحديث قاعدة البيانات، توليد إشارة، تقديم الطلبات الخ & # 8230؛ ويمكن تقسيم نهجي في الخطوات الثلاث التالية:
استخدم شمل لإنشاء قوائم وأزرار محددة من قبل المستخدم في ملف إكسيل. القوائم المذكورة أعلاه وأزرار هي أساسا يدعو إلى وظائف فبا. تلك الوظائف فبا هي التفاف حول وظائف R المعرفة باستخدام بيرت.
مع هذا النهج يمكنني الحفاظ على تمييز واضح بين جوهر بلدي رمز الاحتفاظ بها في R، سكل وبيثون وكل ما يستخدم لعرض وتنسيق النتائج أبقى في إكسيل، فبا & أمب؛ XML. في الأقسام التالية أقدم الشرط الأساسي لتطوير مثل هذا النهج ودليل خطوة بخطوة يوضح كيف يمكن استخدام بيرت لمجرد تمرير البيانات من R إلى إكسيل مع الحد الأدنى من التعليمات البرمجية فبا.
1 & # 8211؛ تحميل وتثبيت بيرت من هذا الرابط. بمجرد اكتمال التثبيت يجب أن يكون لديك قائمة الوظائف الإضافية الجديدة في إكسيل مع الأزرار كما هو موضح أدناه. هذه هي الطريقة التي تحققت بيرت في إكسيل.
2 & # 8211؛ تنزيل وتثبيت محرر واجهة مستخدم مخصص: يسمح محرر واجهة المستخدم المخصص بإنشاء قوائم وأزرار محددة من قبل المستخدم في شريط إكسيل. يتوفر إجراء خطوة بخطوة هنا.
1 & # 8211؛ R كود: وظيفة R أدناه هي قطعة بسيطة جدا من التعليمات البرمجية لأغراض التوضيح فقط. ويحسب ويعيد البقايا من الانحدار الخطي. هذا هو ما نريد استرداد في إكسيل. حفظ هذا في ملف يسمى myRCode. R (أي اسم آخر على ما يرام) في دليل من اختيارك.
2 & # 8211؛ functions. R في بيرت: من إكسيل حدد الوظائف الإضافية - & غ؛ الصفحة الرئيسية الدليل وفتح الملف يسمى functions. R. في هذا الملف قم بلصق التعليمة البرمجية التالية. تأكد من إدراج المسار الصحيح.
هذا هو مجرد مصادر في بيرت ملف R قمت بإنشائه أعلاه. ثم حفظ وإغلاق الملف functions. R. إذا كنت تريد إجراء أي تغيير على ملف R الذي تم إنشاؤه في الخطوة 1 سيكون لديك لإعادة تحميله باستخدام زر بيرت & # 8220؛ تحديث ملف بدء التشغيل & # 8221؛ من القائمة الوظائف الإضافية في إكسيل.
3 & # 8211؛ في إكسيل: إنشاء وحفظ ملف يسمى myFile. xslm (أي اسم آخر على ما يرام). هذا هو ملف تمكين ماكرو الذي تقوم بحفظه في الدليل الذي تختاره. مرة واحدة يتم حفظ الملف إغلاقه.
4 & # 8211؛ افتح الملف الذي تم إنشاؤه أعلاه في محرر واجهة المستخدم المخصصة: بعد فتح الملف، الصق الشفرة التالية.
يجب أن يكون لديك شيء من هذا القبيل في محرر شمل:
أساسا هذه القطعة من رمز شمل يخلق قائمة إضافية (رترادر)، مجموعة جديدة (مجموعتي) وزر تعريف المستخدم (زر جديد) في الشريط إكسيل. بعد الانتهاء من إجراء ذلك، افتح myFile. xslm في إكسيل وأغلق محرر واجهة المستخدم المخصص. يجب أن نرى شيئا من هذا القبيل.
5 & # 8211؛ فتح محرر فبا: في myFile. xlsm إدراج وحدة نمطية جديدة. قم بلصق التعليمة البرمجية أدناه في الوحدة النمطية التي تم إنشاؤها حديثا.
يؤدي ذلك إلى محو النتائج السابقة في ورقة العمل قبل التعامل مع نتائج جديدة.
6 & # 8211؛ انقر فوق زر جديد: الآن عد إلى جدول البيانات وفي القائمة رترادر انقر فوق & # 8220؛ زر جديد & # 8221؛ زر. يجب أن تشاهد شيئا مثل ما يظهر أدناه.
الدليل أعلاه هو نسخة أساسية جدا من ما يمكن تحقيقه باستخدام بيرت لكنه يظهر لك كيفية الجمع بين قوة عدة أدوات محددة لبناء التطبيق المخصص الخاص بك. من وجهة نظري مصلحة هذا النهج هو القدرة على الغراء معا R و إكسيل الواضح ولكن أيضا لتشمل عن طريق شمل (والدفعة) قطعة من التعليمات البرمجية من بايثون، سكل وأكثر من ذلك. هذا هو بالضبط ما كنت بحاجة إليه. وأخيرا أود أن تكون غريبة لمعرفة ما إذا كان أي شخص لديه أي خبرة مع بيرت؟
استراتيجية التداول: الاستفادة القصوى من البيانات من العينة.
عند اختبار استراتيجيات التداول هناك نهج مشترك هو تقسيم مجموعة البيانات الأولية إلى بيانات العينة: الجزء من البيانات المصممة لمعايرة النموذج والخروج من بيانات العينة: جزء من البيانات المستخدمة للتحقق من صحة المعايرة وضمان أن الأداء التي تم إنشاؤها في عينة ستنعكس في العالم الحقيقي. وكقاعدة عامة يمكن استخدام حوالي 70٪ من البيانات الأولية للمعايرة (أي في العينة) و 30٪ للتحقق (أي من العينة). ثم تساعد مقارنة البيانات داخل وخارج العينة على تحديد ما إذا كان النموذج قويا بما فيه الكفاية. ويهدف هذا المنصب إلى المضي قدما خطوة أخرى ويوفر طريقة إحصائية لتقرير ما إذا كان خارج العينة البيانات يتماشى مع ما تم إنشاؤه في العينة.
في الرسم البياني أدناه تمثل المنطقة الزرقاء خارج أداء العينة لأحد استراتيجياتي.
فحص بصري بسيط يكشف عن تناسب جيد بين داخل وخارج أداء العينة ولكن ما هي درجة الثقة لدي في هذا؟ في هذه المرحلة ليس كثيرا، وهذه هي القضية. والمطلوب حقا هو مقياس للتشابه بين مجموعات البيانات داخل وخارج العينة. ومن الناحية الإحصائية، يمكن ترجمة ذلك على أنه احتمال أن تأتي أرقام أداء العينة وخارجها من نفس التوزيع. هناك اختبار إحصائي غير بارامتري الذي يفعل بالضبط هذا: اختبار كروسكال واليس. ويمكن العثور على تعريف جيد لهذا الاختبار على R-توتور & # 8220؛ مجموعة من عينات البيانات مستقلة إذا كانت تأتي من السكان غير ذات الصلة والعينات لا تؤثر على بعضها البعض. باستخدام اختبار كروسكال واليس، يمكننا أن نقرر ما إذا كانت التوزيعات السكانية متطابقة دون افتراض أنها تتبع التوزيع الطبيعي. & # 8221؛ الفائدة الإضافية لهذا الاختبار لا يفترض توزيع طبيعي.
وتوجد اختبارات أخرى من نفس الطبيعة يمكن أن تتلاءم مع هذا الإطار. اختبار مان-ويتني-ويلكوكسون أو اختبارات كولموغوروف-سميرنوف يناسب تماما الإطار يصف هنا ولكن هذا خارج نطاق هذه المقالة لمناقشة إيجابيات وسلبيات كل من هذه الاختبارات. ويمكن الاطلاع على وصف جيد جنبا إلى جنب مع الأمثلة R هنا.
هنا الرمز المستخدم لإنشاء الرسم البياني أعلاه والتحليل:
في المثال أعلاه في فترة العينة أطول من خارج الفترة عينة ولذلك أنا عشوائيا إنشاء 1000 مجموعات فرعية من البيانات في العينة كل واحد لها نفس طول البيانات خارج العينة. ثم اختبرت كل عينة فرعية في مقابل عينة من البيانات وسجلت قيم p. هذه العملية لا تخلق قيمة P واحدة لاختبار كروسكال واليس ولكن التوزيع يجعل التحليل أكثر قوة. في هذا المثال يكون متوسط قيم p أعلى بكثير من الصفر (0.478) مما يشير إلى أنه يجب قبول الفرضية الصفرية: فهناك أدلة قوية على أن البيانات داخل وخارج العينة تأتي من نفس التوزيع.
كالمعتاد ما هو عرض في هذا المنصب هو مثال لعبة أن خدوش فقط على سطح المشكلة ويجب أن تكون مصممة لتلبية الاحتياجات الفردية. ومع ذلك أعتقد أنه يقترح إطارا إحصائيا للاهتمام والعقلاني لتقييم نتائج العينة.
هذه المقالة مستوحاة من الورقتين التاليتين:
فيجيل ألكسندر، شميل سوان (2007)، "آثار وظائف التحسين المختلفة على الخروج من عينة أداء استراتيجيات التداول المتطورة وراثيا"، التنبؤ مؤتمر الأسواق المالية.
فيجيه أليكساندر، شميل سوان (2018)، "عملية التحسين لتحسين / الخروج من عينة الاتساق، حالة سوق الأوراق المالية»، مؤتمر مورغان كازينوف الأسهم الكمية الكمية، لندن أكتوبر 2018.
تقديم فيدلر: فينانسيال داتا لوادير.
فيدلر هو رستوديو أدين تهدف إلى تبسيط عملية تنزيل البيانات المالية من مختلف مقدمي الخدمات. هذا الإصدار الأولي هو المجمع حول وظيفة جيتسيمبولس في حزمة كوانتمود ويتم دعم فقط ياهو، جوجل، فريد و أواندا. أنا ربما إضافة وظائف مع مرور الوقت. كالمعتاد مع هذه الأشياء مجرد تذكير نوع: & # 8220؛ يتم توفير البرنامج & # 8220؛ كما هو & # 8221؛، دون ضمان من أي نوع & # 8230؛ & # 8221؛
كيفية تثبيت واستخدام فيدلر؟
يمكنك الحصول على أدين / حزمة من مستودع جيثب هنا (وسوف يسجل على كران في وقت لاحق) تثبيت أدين. هناك تعليمي ممتاز لتثبيت رستوديو أدينز هنا. بمجرد تثبيت أدين يجب أن تظهر في القائمة أدين. اخترت فقط فيدلر في القائمة ونافذة كما في الصورة أدناه يجب أن تظهر. اختر موفر بيانات من القائمة المنسدلة المصدر. حدد نطاق تاريخ من قائمة التاريخ أدخل الرمز الذي ترغب في تنزيله في مربع النص الخاص بالأداة. لتحميل عدة رموز فقط أدخل الرموز مفصولة بفواصل. استخدام أزرار الراديو لاختيار ما إذا كنت ترغب في تحميل الصك في ملف كسف أو في البيئة العالمية. سيتم حفظ ملف كسف في دليل العمل وسيكون هناك ملف كسف واحد لكل أداة. Press Run to get the data or Close to close down the addin.
Error messages and warnings are handled by the underlying packages (quantmod and Shiny) and can be read from the console.
This is a very first version of the project so do not expect perfection but hopefully it will get better over time. Please report any comment, suggestion, bug etc… to: thertrader@gmail.
Maintaining a database of price files in R.
Doing quantitative research implies a lot of data crunching and one needs clean and reliable data to achieve this. What is really needed is clean data that is easily accessible (even without an internet connection). The most efficient way to do this for me has been to maintain a set of csv files. Obviously this process can be handled in many ways but I found very efficient and simple overtime to maintain a directory where I store and update csv files. I have one csv file per instrument and each file is named after the instrument it contains. The reason I do so is twofold: First, I don’t want to download (price) data from Yahoo, Google etc… every time I want to test a new idea but more importantly once I identified and fixed a problem, I don’t want to have to do it again the next time I need the same instrument. Simple yet very efficient so far. The process is summarized in the chart below.
In everything that follows, I assume that data is coming from Yahoo. The code will have to be amended for data from Google, Quandl etc… In addition I present the process of updating daily price data. The setup will be different for higher frequency data and other type of dataset (i. e. different from prices).
1 & # 8211؛ Initial data downloading (listOfInstruments. R & historicalData. R)
The file listOfInstruments. R is a file containing only the list of all instruments.
If an instrument isn’t part of my list (i. e. no csv file in my data folder) or if you do it for the very first time you have to download the initial historical data set. The example below downloads a set of ETFs daily prices from Yahoo Finance back to January 2000 and store the data in a csv file.
2 & # 8211؛ Update existing data (updateData. R)
The below code starts from existing files in the dedicated folder and updates all of them one after the other. I usually run this process everyday except when I’m on holiday. To add a new instrument, simply run step 1 above for this instrument alone.
3 & # 8211؛ Create a batch file (updateDailyPrices. bat)
Another important part of the job is creating a batch file that automates the updating process above (I’m a Windows user). This avoids opening R/RStudio and run the code from there. The code below is placed on a. bat file (the path has to be amended with the reader’s setup). Note that I added an output file (updateLog. txt) to track the execution.
The process above is extremely simple because it only describes how to update daily price data. I’ve been using this for a while and it has been working very smoothly for me so far. For more advanced data and/or higher frequencies, things can get much trickier.
As usual any comments welcome.
Factor Evaluation in Quantitative Portfolio Management.
When it comes to managing a portfolio of stocks versus a benchmark the problem is very different from defining an absolute return strategy. In the former one has to hold more stocks than in the later where no stocks at all can be held if there is not good enough opportunity. The reason for that is the tracking error . This is defined as the standard deviation of the portfolio return minus the benchmark return. The less stocks is held vs. a benchmark the higher the tracking error (e. g higher risk).
The analysis that follows is largely inspired by the book “Active Portfolio Management” by Grinold & Kahn. This is the bible for anyone interested in running a portfolio against a benchmark. I strongly encourage anyone with an interest in the topic to read the book from the beginning to the end. It’s very well written and lays the foundations of systematic active portfolio management (I have no affiliation to the editor or the authors).
Here we’re trying to rank as accurately as possible the stocks in the investment universe on a forward return basis. Many people came up with many tools and countless variant of those tools have been developed to achieve this. In this post I focus on two simple and widely used metrics: Information Coefficient (IC) and Quantiles Return (QR).
The IC gives an overview of the factor forecasting ability. More precisely, this is a measure of how well the factor ranks the stocks on a forward return basis. The IC is defined as the rank correlation ( ρ ) between the metric (e. g. factor) and the forward return. In statistical terms the rank correlation is a nonparametric measure of dependance between two variables. For a sample of size n , the n raw scores are converted to ranks , and ρ is computed from:
The horizon for the forward return has to be defined by the analyst and it’s a function of the strategy’s turnover and the alpha decay (this has been the subject of extensive research). Obviously ICs must be as high as possible in absolute terms.
For the keen reader, in the book by Grinold & Kahn a formula linking Information Ratio (IR) and IC is given: with breadth being the number of independent bets (trades). This formula is known as the fundamental law of active management . The problem is that often, defining breadth accurately is not as easy as it sounds.
In order to have a more accurate estimate of the factor predictive power it’s necessary to go a step further and group stocks by quantile of factor values then analyse the average forward return (or any other central tendency metric) of each of those quantiles. The usefulness of this tool is straightforward. A factor can have a good IC but its predictive power might be limited to a small number of stocks. This is not good as a portfolio manager will have to pick stocks within the entire universe in order to meet its tracking error constraint. Good quantiles return are characterised by a monotonous relationship between the individual quantiles and forward returns.
All the stocks in the S&P500 index (at the time of writing). Obviously there is a survival ship bias: the list of stocks in the index has changed significantly between the start and the end of the sample period, however it’s good enough for illustration purposes only.
The code below downloads individual stock prices in the S&P500 between Jan 2005 and today (it takes a while) and turns the raw prices into return over the last 12 months and the last month. The former is our factor, the latter will be used as the forward return measure.
Below is the code to compute Information Coefficient and Quantiles Return. Note that I used quintiles in this example but any other grouping method (terciles, deciles etc…) can be used. it really depends on the sample size, what you want to capture and wether you want to have a broad overview or focus on distribution tails. For estimating returns within each quintile, median has been used as the central tendency estimator. This measure is much less sensitive to outliers than arithmetic mean.
And finally the code to produce the Quantiles Return chart.
3 & # 8211؛ How to exploit the information above?
In the chart above Q1 is lowest past 12 months return and Q5 highest. There is an almost monotonic increase in the quantiles return between Q1 and Q5 which clearly indicates that stocks falling into Q5 outperform those falling into Q1 by about 1% per month. This is very significant and powerful for such a simple factor (not really a surprise though…). Therefore there are greater chances to beat the index by overweighting the stocks falling into Q5 and underweighting those falling into Q1 relative to the benchmark.
An IC of 0.0206 might not mean a great deal in itself but it’s significantly different from 0 and indicates a good predictive power of the past 12 months return overall. Formal significance tests can be evaluated but this is beyond the scope of this article.
The above framework is excellent for evaluating investments factor’s quality however there are a number of practical limitations that have to be addressed for real life implementation:
Rebalancing : In the description above, it’s assumed that at the end of each month the portfolio is fully rebalanced. This means all stocks falling in Q1 are underweight and all stocks falling in Q5 are overweight relative to the benchmark. This is not always possible for practical reasons: some stocks might be excluded from the investment universe, there are constraints on industry or sector weight, there are constraints on turnover etc… Transaction Costs : This has not be taken into account in the analysis above and this is a serious brake to real life implementation. Turnover considerations are usually implemented in real life in a form of penalty on factor quality. Transfer coefficient : This is an extension of the fundamental law of active management and it relaxes the assumption of Grinold’s model that managers face no constraints which preclude them from translating their investments insights directly into portfolio bets.
And finally, I’m amazed by what can be achieved in less than 80 lines of code with R…
As usual any comments welcome.
Risk as a “Survival Variable”
I come across a lot of strategies on the blogosphere some are interesting some are a complete waste of time but most share a common feature: people developing those strategies do their homework in term of analyzing the return but much less attention is paid to the risk side its random nature. I’ve seen comment like “a 25% drawdown in 2018 but excellent return overall”. Well my bet is that no one on earth will let you experience a 25% loss with their money (unless special agreements are in place). In the hedge fund world people have very low tolerance for drawdown. Generally, as a new trader in a hedge fund, assuming that you come with no reputation, you have very little time to prove yourself. You should make money from day 1 and keep on doing so for a few months before you gain a bit of credibility.
First let’s say you have a bad start and you lose money at the beginning. With a 10% drawdown you’re most certainly out but even with a 5% drawdown the chances of seeing your allocation reduced are very high. This has significant implications on your strategies. Let’s assume that if you lose 5% your allocation is divided by 2 and you come back to your initial allocation only when you passed the high water mark again (e. g. the drawdown comes back to 0). In the chart below I simulated the experiment with one of my strategies.
You start trading in 1st June 2003 and all goes well until 23rd Jul. 2003 where your drawdown curve hits the -5% threshold (**1**). Your allocation is cut by 50% and you don’t cross back the high water mark level until 05th Dec. 2003 (**3**). If you have kept the allocation unchanged, the high water mark level would have been crossed on 28th Oct. 2003 (**2**) and by the end of the year you would have made more money.
But let’s push the reasoning a bit further. Still on the chart above, assume you get really unlucky and you start trading toward mid-June 2003. You hit the 10% drawdown limit by the beginning of August and you’re most likely out of the game. You would have started in early August your allocation would not have been cut at all and you end up doing a good year in only 4 full months of trading. In those two examples nothing has changed but your starting date….
The trading success of any individual has some form of path dependency and there is not much you can do about it. However you can control the size of a strategy’s drawdown and this should be addressed with great care. A portfolio should be diversified in every possible dimension: asset classes, investment strategies, trading frequencies etc…. From that perspective risk is your “survival variable”. If managed properly you have a chance to stay in the game long enough to realise the potential of your strategy. Otherwise you won’t be there next month to see what happens.
As usual any comments welcome.
A Simple Shiny App for Monitoring Trading Strategies – الجزء الثاني.
This is a follow up on my previous post “A Simple Shiny App for Monitoring Trading Strategies“. I added a few improvements that make the app a bit better (at least for me!). Below is the list of new features :
A sample. csv file (the one that contains the raw data) A “EndDate” drop down box allowing to specify the end of the period. A “Risk” page containing a VaR analysis and a chart of worst performance over various horizons A “How To” page explaining how to use and tailor the app to individual needs.
I also made the app totally self contained. It is now available as a stand alone product and there is no need to have R/RStudio installed on your computer to run it. It can be downloaded from the R Trader Google drive account. This version of the app runs using portable R and portable Chrome. For the keen reader, this link explains in full details how to package a Shiny app into a desktop app (Windows only for now).
1 & # 8211؛ How to install & run the app on your computer.
Create a specific folder Unzip the contain of the. zip file onto that new folder. Change the paths in the runShinyApp file to match your setings To run the app, you just have launch the run. vbs file. I also included an icon (RTraderTradingApp. ico) should you want to create a shortcut on your desktop.
ui. R: controls the layout and appearance of the app server. R: contains the instructions needed to build the app. You can load as much strategies as you want as long as the corresponding csv file has the right format (see below). shinyStrategyGeneral. R: loads the required packages and launches the app.
3 & # 8211؛ How to add a trading strategy?
Create the corresponding. csv file in the right directory Create a new input in the data reactive function (within the server. R file) Add an extra element to the choice parameter in the first selectInput in the sidebarPanel (within the ui. R file). The element’s name should match the name of the new input above.
Remove the input in the data reactive function corresponding to the strategy you want to remove (within the server. R file) Remove the element in the choice parameter in the first selectInput in the sidebarPanel corresponding to the strategy you want to remove (within the ui. R file).
Please feel free to get in touch should you have any suggestion.
A Simple Shiny App for Monitoring Trading Strategies.
In a previous post I showed how to use R, Knitr and LaTeX to build a template strategy report. This post goes a step further by making the analysis interactive. Besides the interactivity, the Shiny App also solves two problems :
I can now access all my trading strategies from a single point regardless of the instrument traded. Coupled with the Shiny interactivity, it allows easier comparison. I can focus on a specific time period.
The code used in this post is available on a Gist/Github repository. There are essentially 3 files.
ui. R : controls the layout and appearance of the app. server. R : contains the instructions needed to build the app. It loads the data and format it. There is one csv file per strategy each containing at least two columns: date and return with the following format: (“2018-12-22″,”0.04%” ). You can load as much strategies as you want as long as they have the right format. shinyStrategyG eneral. R : loads the required packages and launches the app.
This app is probably far from perfect and I will certainly improve it in the future. Feel free to get in touch should you have any suggestion.
A big thank you to the RStudio/Shiny team for such a great tool.
Using Genetic Algorithms in Quantitative Trading.
The question one should always asked him/herself when using technical indicators is what would be an objective criteria to select indicators parameters (e. g., why using a 14 days RSI rather than 15 or 20 days?). Genetic algorithms (GA) are well suited tools to answer that question. In this post I’ll show you how to set up the problem in R. Before I proceed the usual reminder: What I present in this post is just a toy example and not an invitation to invest. It’s not a finished strategy either but a research idea that needs to be further researched, developed and tailored to individual needs.
What are genetic algorithms?
The best description of GA I came across comes from Cybernatic Trading a book by Murray A. Ruggiero. “Genetic Algorithms were invented by John Holland in the mid-1970 to solve hard optimisation problems. This method uses natural selection, survival of the fittest”. The general process follows the steps below:
Encode the problem into chromosomes Using the encoding, develop a fitness function for use in evaluating each chromosome’s value in solving a given problem Initialize a population of chromosomes Evaluate each chromosome in the population Create new chromosomes by mating two chromosomes. This is done by muting and recombining two parents to form two children (parents are selected randomly but biased by their fitness) Evaluate the new chromosome Delete a member of the population that is less fit than the new chromosome and insert the new chromosome in the population. If the stop criteria is reached (maximum number of generations, fitness criteria is good enough…) then return the best chromosome alternatively go to step 4.
From a trading perspective GA are very useful because they are good at dealing with highly nonlinear problems. However they exhibit some nasty features that are worth mentioning:
Over fitting: This is the main problem and it’s down to the analyst to set up the problem in a way that minimises this risk. Computing time : If the problem isn’t properly defined, it can be extremely long to reach a decent solution and the complexity increases exponentially with the number of variables. Hence the necessity to carefully select the parameters.
There are several R packages dealing with GA, I chose to use the most common one: rgenoud.
Daily closing prices for most liquid ETFs from Yahoo finance going back to January 2000. The in sample period goes from January 2000 to December 2018. The Out of sample period starts on January 2018.
The logic is as following: the fitness function is optimised over the in sample period to obtain a set of optimal parameters for the selected technical indicators. The performance of those indicators is then evaluated in the out of sample period. But before doing so the technical indicators have to be selected.
The equity market exhibits two main characteristics that are familiar to anyone with some trading experience. Long term momentum and short term reversal. Those features can be translated in term of technical indicators by: moving averages cross over and RSI. This represents a set of 4 parameters: Look-back periods for long and short term moving averages, look-back period for RSI and RSI threshold. The sets of parameters are the chromosomes . The other key element is the fitness function . We might want to use something like: maximum return or Sharpe ratio or minimum average Drawdown. In what follows, I chose to maximise the Sharpe ratio.
The R implementation is a set of 3 functions:
fitnessFunction : defines the fitness function (e. g., maximum Sharpe ratio) to be used within the GA engine tradingStatistics : summary of trading statistics for the in and out of sample periods for comparison purposes genoud : the GA engine from the rgenoud package.
The genoud function is rather complex but I’m not going to explain what each parameter means as I want to keep this post short (and the documentation is really good).
In the table below I present for each instrument the optimal parameters (RSI look-back period, RSI threshold, Short Term Moving Average, and Long Term Moving Average) along with the in and out of sample trading statistics.
Before commenting the above results, I want to explain a few important points. To match the logic defined above, I bounded the parameters to make sure the look-back period for the long term moving average is always longer that the shorter moving average. I also constrained the optimiser to choose only the solutions with more than 50 trades in the in sample period (e. g;, statistical significance).
Overall the out of sample results are far from impressive. The returns are low even if the number of trades is small to make the outcome really significant. However there’s a significant loss of efficiency between in and out of sample period for Japan (EWJ) which very likely means over fitting.
This post is intended to give the reader the tools to properly use GA in a quantitative trading framework. Once again, It’s just an example that needs to be further refined. A few potential improvement to explore would be:
fitness function : maximising the Sharpe ratio is very simplistic. A “smarter” function would certainly improve the out of sample trading statistics pattern : we try to capture a very straightforward pattern. A more in depth pattern research is definitely needed. optimisation : there are many ways to improve the way the optimisation is conducted. This would improve both the computation speed and the rationality of the results.
The code used in this post is available on a Gist repository.
يرجى تسجيل الدخول أو الاشتراك للحصول على المزيد من الوظائف والوصول إلى حسابك.
تسجيل الخروج المستخدم.
هل أنت متأكد من تسجيل الخروج الآن؟
تحليل انتشار متعامد.
نحن هنا تطبيق الانحدار المتعامد (المعروف أيضا باسم مجموع المربعات الصغرى) على حد سواء سلسلة الأسعار. نحن مهتمون ببعض الخصائص الإحصائية الرئيسية (مثل & بيتا ؛،) وفي تحليل المخلفات المتعامدة:
تحليل التكامل المشترك.
في هذا القسم، يتم تنفيذ اختبار التكامل المشترك إنغل-غرانجر باستخدام طريقة انحدار عملية شريان الحياة للسودان في كلا الاتجاهين. يتم رسم مخلفات الانحدار وتحليلها بشكل أكبر:
تحليل الربح.
تحليل الربح هو مجموعة من باكتيستس يؤديها باستخدام نماذج تداول زوج متعددة على جزء كبير من مساحة المعلمة. يتم عرض نتائج باكتست في شكل مؤامرة مبعثر. بالإضافة إلى ذلك، يمكنك الاطلاع على الإحصاءات المجمعة في اللوحة اليمنى. يتم تنفيذ جميع باكتيستس باستخدام هامش 100٪ (الرافعة المالية 1: 1). هذا هو تحليل الربح حيث يسمح استراتيجيات باكتستد لفتح كل من مراكز طويلة وقصيرة:
هذا هو تحليل الربح حيث يسمح استراتيجيات باكتستد لفتح مراكز طويلة فقط:
هذا هو تحليل الربح حيث يسمح استراتيجيات باكتستد لفتح المراكز القصيرة فقط:
تحليل الربح (مقلوب!)
وقد تم إجراء تحليل الربح باستخدام استراتيجيات ذات إشارات مقلوبة وأسعار محولة. مفيدة في الغالب لتداول أزواج تتألف من إتف معكوس من أجل البقاء محايدة السوق (مزيد من المعلومات). ومثل، وحتى ومثل. يعني أن المحطة الأولى مقلوبة ومتحولة، & كوت؛ أود & كوت؛ يعني أن المحطة الأولى تتحول ولكن المحطة الثانية مقلوبة.
وقد سمح للاستراتيجيات المعبأة مسبقا بفتح المراكز الطويلة والقصيرة على السواء:
هذا هو تحليل الربح حيث يسمح استراتيجيات باكتستد لفتح مراكز طويلة فقط:
هذا هو تحليل الربح حيث يسمح استراتيجيات باكتستد لفتح المراكز القصيرة فقط:
© 2018 - 2017 كوانتفيرز OÜ. كل الحقوق محفوظة.
تنويه: باكتستد، محاكاة أو افتراضية نتائج الأداء لديها بعض القيود الكامنة. وخلافا للنتائج المبينة في سجل الأداء الفعلي، فإن هذه النتائج لا تمثل التداول الفعلي. هناك العديد من العوامل المتعلقة بسوق الأوراق المالية بشكل عام وتنفيذ أي برنامج توقيت سوق الأسهم، والتي لا يمكن حسابها بشكل كامل في إعداد نتائج الأداء الافتراضية. ولا تؤخذ النتائج المرتفعة المدرجة هنا في الاعتبار الانزلاق أو الرسوم أو الضرائب أو الأرباح الموزعة والفوائد المكتسبة من المراكز النقدية. وستؤثر هذه العوامل على نتائج التداول الفعلية. وتخضع أنظمة التداول بالأسهم المحاكاة أو المختبرة أو المفترضة بشكل عام لحقيقة أنها مصممة مع الاستفادة من الفارق الزمني. ولا يمثل الأداء المعتمد مسبقا الأداء الفعلي ولا ينبغي تفسيره على أنه مؤشر على هذا الأداء. لا يتم تقديم أي تمثيل أنك سوف أو من المرجح أن يحقق أرباحا أو خسائر مماثلة لتلك التي تظهر. يوفر هذا الموقع معلومات تداول الأسهم غير الشخصية التعليمية، وبالتالي، لا يمكن النظر أو يتم نحو الظروف المالية الخاصة بك. لا تعتبر جميع المواد المقدمة ضمن النصائح الاستثمارية، ولكن لأغراض إعلامية عامة فقط.
فو. إيم: ما الذي يجب أن تشتريه؟
13 أكتوبر 2009.
فو و إيم تتبع نفس مؤشر الأسواق الناشئة. فلماذا فو يضرب إيم بنسبة 4 في المئة هذا العام؟
إذا كان عكس أداء مؤشر هو المقياس النهائي للنجاح لصندوق المتاجرة في البورصة، فانغوارد الأسواق الناشئة إتف (نيساركا: فو) لديه اليد العليا على منافسه المباشر، أكبر وأكثر استقرارا، إشاريس مسي مؤشر الأسواق الناشئة صندوق ( نيساركا: إيم).
على الرغم من أن كل من إيم و فو تتبع نفس مؤشر مسي للأسواق الناشئة، في عام 2009، وهما قد حققت عوائد مختلفة جدا.
وحققت الشركة منذ تاريخه عوائد قدرها 58.6 في المائة، مما أدى إلى ارتفاع المؤشر بمقدار 5.8 نقطة مئوية، وهو خطأ كبير في التتبع حسب معايير الصناعة. وفى الوقت نفسه، اظهرت الشركة عائدات بلغت نسبتها 62.8 فى المائة، متخلفة بفارق ضئيل فى المؤشر الذى حقق 64.5 فى المائة فى هذه الفترة.
قد تفسر هذه الفجوة لماذا جذب فو ما يقرب من 4.9 مليار $ في الأصول الجديدة حتى الآن هذا العام، في حين شهدت إيم فقط 2.4 مليار $ في رأس المال الجديد إلى خزائنها.
ما الذي يدفع الفرق؟
بالنسبة للمبتدئين، يستخدم فو ما يسمى "النسخ المتماثل الكامل" لتتبع مؤشره، وهذا يعني أنه يحمل جميع الأسهم في مؤشره. على النقيض من ذلك، يستخدم مؤشر إيم استراتيجية "التحسين"، مع الاحتفاظ بمجموعة فرعية فقط من هذه الأسهم، على أمل أن تعكس هذه المجموعة الفرعية أداء المؤشر الأوسع نطاقا.
في كل شيء، فو لديها 790 أسهم في محفظتها مقابل 328 إيم.
ولكن الكثير من صناديق الاستثمار المتداولة تستخدم استراتيجيات التحسين، في حين لا تزال تصر على مقربة من المؤشر. ما يعطي مع إيم؟
ووفقا لدينا تينغ، مدير محفظة المحافظات لدى "باركليز جلوبال إنفستورز"، فإن استراتيجية التحسين التي تتبعها الشركة تسعى إلى تحقيق أقصى قدر من الكفاءة في السيولة والضرائب. ولهذا السبب، فإنها تعتمد اعتمادا كبيرا على استخدام أدرس و غرس لتمثيل الحيازات في البلدان التي تجعل القيود والسياسات فيها من الصعب الحصول على التعرض.
يمكن أن يؤدي استخدام أدرس و غرس إلى تغيير العوائد اليومية للصندوق مقابل المعيار المعياري منذ تداول أدرس و غر's خلال ساعات السوق الأمريكية، في حين يتتبع الصندوق الأسهم المدرجة محليا والتي قد يتم إغلاقها خلال يوم السوق الأمريكي.
وقال تينغ "عندما يكون لديك الكثير من أدرس و غرس، فإنك سوف ترى فروق أعلى في الأداء بسبب كل المناطق الزمنية المختلفة عند التداول".
لكن الفارق الزمني في المنطقة الزمنية وحدها لا يمكن أن يفسر فجوة الأداء بنسبة 5.8 في المئة. وهناك عامل آخر، وفقا لتينغ، هو الحجم الهائل من الارتفاع في الأسواق الناشئة، مع اكتساب المؤشر 65 في المئة سنويا.
وقال تينغ: "عندما يكون لديك تحرك جذري من هذا القبيل، سوف ترى المزيد من الاختلاف بين الصناديق".
في نهاية المطاف، ومع ذلك، فإنه يأتي إلى مستوى المحفظة، والحقيقة البسيطة هي أن محفظة إيم يختلف بشكل كبير عن كل من فو والمؤشر.
على سبيل المثال، من وجهة نظر القطاع، كان كلا الصندوقين يحتفظان بالخدمات المالية في أعلى محافظهما اعتبارا من 30 سبتمبر، ويحصل هذا القطاع على حوالي 25 في المئة من الكعكة في كل من الصناديق والمؤشر.
إلا أن الأوزان في شيء مثل تكنولوجيا المعلومات تباينت على نطاق واسع: تمثل تقنية المعلومات 16.09 في المئة من التعرض ل إيم، مقارنة مع 13.69 في المئة فقط في المؤشر و 13.63 في المئة في فو.
يمكنك الاطلاع على تفاصيل الصناديق و مؤشر مسي أدناه:
القطاعات ليست هي الطريقة الوحيدة التي يختلف بها الصندوقان، إما: كما أنها تختلف على أساس قطري. على سبيل المثال، مؤشر مسي هو 13.73 في المئة يتعرض لكوريا الجنوبية. ويوجد لدى شركة فولكس فاجن البريطانية تعريضا مماثلا، بنسبة 13.50 في المائة. بيد أن مؤشر إيم يعاني من نقص حاد في الوزن في البلاد، حيث يبلغ معدله 9.24 في المائة فقط. وعلى النقيض من ذلك، فإن الصندوق بلدان ذات زيادة الوزن مثل جنوب أفريقيا وإسرائيل وتركيا.
البيانات: فانغوارد أند مورنينستار، Inc.
ويمكن أن تحسب بعض اختلافات البلدان عن طريق شهادات الإيداع العالمية، التي يمكن أن تسند في تصنيفات البلدان خطأ. ولكن التناقضات في القطاع أساسية، وتتحدث عن تأثير استراتيجية التحسين.
بمعنى ما، هذه ليست أخبار. كتب مات هوجان عن هذا التناقض في الأداء في إتفر في عام 2007 (يمكنك قراءة تلك القصة هنا). ولكن بعض مزيج من الأحداث قد تآمر لدفع فرق كبير في الأداء على مدى الأشهر التسعة الماضية. وفقا ل تينغ، نهج فوكو تكرار تماما يميل إلى أداء أفضل في الأوقات المتقلبة مثل تلك الحالية، عندما أصغر وأقل سائل أسماء تميل إلى إظهار أداء أفضل من تلك أكثر السائل.
ولكن إذا نظرنا إلى الوراء، فإن الاختلافات في الأداء تبدو حتى خارجا. وإذا نظرنا إلى عائدات سنوية مدتها ثلاث سنوات، فإن كلا الصندوقين قاما بشكل وثيق جدا بالمؤشر، حيث سجلت فو عائدات سنوية بلغت 7.82 في المئة و إيم بنسبة 8.31 في المئة، في حين ارتفع المؤشر بنسبة 7.95 في المئة. وعلى أساس خمس سنوات، إيم يكاد يكون مثاليا، حيث حقق عوائد 17.20 في المئة مقابل 17.31 للمؤشر.
ويعتقد تينغ أن المستثمرين الحصول على الصورة الأكبر. وأشارت إلى أن أكبر المستثمرين في الشرق الأوسط هم مؤسسون، وقفزوا على عربة الأسواق الناشئة في يوليو من عام 2008 عندما بدأت الأمور تتحول في المنطقة.
من يوليو 2008 إلى مايو 2009، شهدت إيم تدفق الأصول من 14 مليار دولار، في حين اكتسب فو 3.4 مليار دولار، يقول تينغ.
وقال تينغ "ان المستثمرين المؤسساتيين عادة ما يتقدمون فى بقية الاستثمارات."
ما هو مستقبلي من المستحيل التنبؤ به، ولكن سيتعين على شركة إيم أن تحدد طريقة لمواءمة أدائها مع مؤشرها الرائد على الرغم من تقلبات السوق والتركيز على السيولة.
في الوقت الراهن، في نهاية اليوم، فإن الشركة لا يبدو قلقا للغاية مع أداء هذا العام.
وقال تينغ "ان خطأ التتبع الذى نراه هو ضمن توقعاتنا". "إيم هو أداء تماما كما كنا نتوقع".
و التاجر R.
استخدام R والأدوات ذات الصلة في التمويل الكمي.
أرتشيف فور & # 8216؛ ترادينغ ستراتيجيس & # 8217؛ الفئة.
ربط R إلى إقفيد مع حزمة كوانتولس.
يوفر إقفيد تدفق خدمات البيانات والحلول التجارية التي تغطي السوق الزراعي والطاقة والمالية. بل هو معروف ومعترف به مزود تغذية البيانات الموجهة نحو مستخدمي التجزئة والمؤسسات الصغيرة. يبدأ سعر الاشتراك في حوالي 80 $ / الشهر.
وقد وضعت ستانيسلاف كوفاليفسكي حزمة تسمى كوانتولس. بل هو حزمة في كل واحدة تهدف إلى تعزيز النمذجة التداول الكمي. فإنه يسمح لتحميل وتنظيم بيانات السوق التاريخية من مصادر متعددة مثل ياهو، جوجل، فينام، موكس و إكيفيد. الميزة التي تهمني أكثر هي القدرة على ربط إكفيد ل R. أنا & # 8217؛ لقد تم استخدام إكفيد لبضع سنوات وأنا & # 8217؛ م سعيد معها (أنا & # 8217؛ م لا ينتمي إلى الشركة في أي الطريق). ويمكن الاطلاع على مزيد من المعلومات هنا. أنا & # 8217؛ كنت تبحث عن التكامل داخل R لفترة من الوقت وهنا هو. ونتيجة لذلك، بعد أن ركضت بعض الاختبارات، انتقلت التعليمات البرمجية التي كانت لا تزال في بيثون إلى R. مجرد اكتمال، وهنا & # 8217؛ ق رابط يشرح كيفية تحميل البيانات التاريخية من إكفيد باستخدام بايثون.
كوانتولس يقدم أربع وظائف رئيسية هي: الحصول على بيانات السوق، مخزن / استرداد بيانات السوق، مؤامرة البيانات سلسلة الوقت والاختبار مرة أخرى.
تأكد أولا من أن إقفيد مفتوح. يمكنك إما تحميل البيانات اليومية أو خلال اليوم. أدناه رمز التنزيلات الأسعار اليومية (المفتوحة، عالية، منخفضة، إغلاق) ل سبي من 1 يناير 2017 إلى 1 يونيو 2017.
أدناه رمز التنزيلات البيانات اللحظية من 1 مايو 2017 إلى 3 مايو 2017.
لاحظ معلمة الفترة. يمكن أن تأخذ أي من القيم التالية: القراد، 1min، 5min، 10min، 15min، 30min، ساعة، يوم، أسبوع، شهر، اعتمادا على التردد الذي تحتاجه.
كوانتولس يجعل عملية إدارة وتخزين بيانات سوق القراد سهلة. كنت فقط الإعداد معلمات التخزين وكنت على استعداد للذهاب. المعلمات هي حيث، منذ التاريخ والرموز التي ترغب في أن يتم تخزينها. في أي وقت يمكنك إضافة المزيد من الرموز وإذا لم تكن موجودة في التخزين، كوانتولس يحاول الحصول على البيانات من تاريخ البدء المحدد. سيقوم الرمز أدناه بحفظ البيانات في الدليل التالي: & # 8220؛ C: / وسرس / أرنو / دوكومينتس / ماركيت داتا / إكفيد & # 8221 ؛. هناك مجلد فرعي واحد من قبل أداة والبيانات هو أفيد في ملفات. rds.
يمكنك أيضا تخزين البيانات بين تواريخ محددة. استبدل السطر الأخير من الشفرة أعلاه بأحد الخيارات التالية.
الآن إذا كنت ترغب في الحصول على العودة بعض البيانات التي قمت بتخزينها، مجرد تشغيل شيء مثل:
لاحظ أن القراد فقط معتمد في التخزين المحلي لذلك يجب أن تكون الفترة & # 8216؛ علامة & # 8217؛
كوانتولس يوفر وظيفة plot_ts لرسم البيانات سلسلة الوقت دون عطلة نهاية الأسبوع، والعطلات والثغرات بين عشية وضحاها. في المثال أدناه، أنا أولا استرداد البيانات المخزنة أعلاه، ثم حدد أول 100 الملاحظات السعر وأخيرا رسم المخطط.
أمران أن نلاحظ: الجاسوس الأول هو كائن data. table وبالتالي بناء الجملة أعلاه. للحصول على لمحة سريعة عن قدرات data. table لها نظرة على هذه الورقة الغش ممتازة من داتاكامب. ثانيا المعلمة المحلية ترو كما يتم استرجاع البيانات من وحدة التخزين الداخلية.
كوانتولس يسمح لكتابة استراتيجية التداول الخاصة بك باستخدام C ++ أبي. أنا & # 8217؛ م لن نتحدث عن هذا لأن هذا هو أساسا C ++ التعليمات البرمجية. يمكنك الرجوع إلى قسم الأمثلة على موقع كوانتولس.
عموما أجد حزمة مفيدة للغاية وموثقة بشكل جيد. الشيء الوحيد المفقود هو تغذية حية بين R و إقفيد والتي سوف تجعل حزمة نهاية حقيقية لإنهاء الحل.
كالمعتاد أي تعليقات موضع ترحيب.
بيرت: الوافد الجديد في اتصال R إكسيل.
قبل بضعة أشهر قارئ يشير لي من هذه الطريقة الجديدة لربط R و إكسيل. أنا لا أعرف كم من الوقت كان هذا حولها، ولكن أنا لم تأتي عبر ذلك وأنا & # 8217؛ لم أر أي مشاركة بلوق أو مقالة حول هذا الموضوع. لذلك قررت أن أكتب وظيفة كأداة حقا يستحق ذلك وقبل أن يسأل أي شخص، أنا & # 8217؛ م لا علاقة للشركة بأي شكل من الأشكال.
يقف بيرت لمجموعة أدوات إكسيل R الأساسية. إنه مجاني (مرخص بموجب غل v2) وقد تم تطويره من قبل ستروتوريد داتا ليك. في وقت كتابة النسخة الحالية من بيرت هو 1.07. ويمكن الاطلاع على مزيد من المعلومات هنا. من منظور أكثر تقنية، تم تصميم بيرت لدعم تشغيل وظائف R من خلايا جداول البيانات إكسل. في عبارات إكسيل، فإنه يتم كتابة المهام التي يحددها المستخدم (أودفس) في R.
في هذا المنصب أنا & # 8217؛ م لن تظهر لك كيف R و إكسيل التفاعل عبر بيرت. هناك دروس جيدة جدا هنا، هنا وهنا. بدلا من ذلك أريد أن تظهر لك كيف استخدمت بيرت لبناء & # 8220؛ برج التحكم & # 8221؛ لتداول بلدي.
يتم إنشاء إشارات التداول الخاصة بي باستخدام قائمة طويلة من الملفات R ولكن أنا بحاجة إلى مرونة إكسيل لعرض النتائج بسرعة وكفاءة. كما هو مبين أعلاه بيرت يمكن أن تفعل هذا بالنسبة لي ولكن أريد أيضا أن خياط التطبيق لاحتياجاتي. من خلال الجمع بين قوة شمل، فبا، R و بيرت يمكنني إنشاء تطبيق جيد حتى الآن قوية في شكل ملف إكسيل مع الحد الأدنى من التعليمات البرمجية فبا. في نهاية المطاف لدي ملف اكسل واحد جمع كل المهام اللازمة لإدارة محفظتي: تحديث قاعدة البيانات، توليد إشارة، تقديم الطلبات الخ & # 8230؛ ويمكن تقسيم نهجي في الخطوات الثلاث التالية:
استخدم شمل لإنشاء قوائم وأزرار محددة من قبل المستخدم في ملف إكسيل. القوائم المذكورة أعلاه وأزرار هي أساسا يدعو إلى وظائف فبا. تلك الوظائف فبا هي التفاف حول وظائف R المعرفة باستخدام بيرت.
مع هذا النهج يمكنني الحفاظ على تمييز واضح بين جوهر بلدي رمز الاحتفاظ بها في R، سكل وبيثون وكل ما يستخدم لعرض وتنسيق النتائج أبقى في إكسيل، فبا & أمب؛ XML. في الأقسام التالية أقدم الشرط الأساسي لتطوير مثل هذا النهج ودليل خطوة بخطوة يوضح كيف يمكن استخدام بيرت لمجرد تمرير البيانات من R إلى إكسيل مع الحد الأدنى من التعليمات البرمجية فبا.
1 & # 8211؛ تحميل وتثبيت بيرت من هذا الرابط. بمجرد اكتمال التثبيت يجب أن يكون لديك قائمة الوظائف الإضافية الجديدة في إكسيل مع الأزرار كما هو موضح أدناه. هذه هي الطريقة التي تحققت بيرت في إكسيل.
2 & # 8211؛ تنزيل وتثبيت محرر واجهة مستخدم مخصص: يسمح محرر واجهة المستخدم المخصص بإنشاء قوائم وأزرار محددة من قبل المستخدم في شريط إكسيل. يتوفر إجراء خطوة بخطوة هنا.
1 & # 8211؛ R كود: وظيفة R أدناه هي قطعة بسيطة جدا من التعليمات البرمجية لأغراض التوضيح فقط. ويحسب ويعيد البقايا من الانحدار الخطي. هذا هو ما نريد استرداد في إكسيل. حفظ هذا في ملف يسمى myRCode. R (أي اسم آخر على ما يرام) في دليل من اختيارك.
2 & # 8211؛ functions. R في بيرت: من إكسيل حدد الوظائف الإضافية - & غ؛ الصفحة الرئيسية الدليل وفتح الملف يسمى functions. R. في هذا الملف قم بلصق التعليمة البرمجية التالية. تأكد من إدراج المسار الصحيح.
هذا هو مجرد مصادر في بيرت ملف R قمت بإنشائه أعلاه. ثم حفظ وإغلاق الملف functions. R. إذا كنت تريد إجراء أي تغيير على ملف R الذي تم إنشاؤه في الخطوة 1 سيكون لديك لإعادة تحميله باستخدام زر بيرت & # 8220؛ تحديث ملف بدء التشغيل & # 8221؛ من القائمة الوظائف الإضافية في إكسيل.
3 & # 8211؛ في إكسيل: إنشاء وحفظ ملف يسمى myFile. xslm (أي اسم آخر على ما يرام). هذا هو ملف تمكين ماكرو الذي تقوم بحفظه في الدليل الذي تختاره. مرة واحدة يتم حفظ الملف إغلاقه.
4 & # 8211؛ افتح الملف الذي تم إنشاؤه أعلاه في محرر واجهة المستخدم المخصصة: بعد فتح الملف، الصق الشفرة التالية.
يجب أن يكون لديك شيء من هذا القبيل في محرر شمل:
أساسا هذه القطعة من رمز شمل يخلق قائمة إضافية (رترادر)، مجموعة جديدة (مجموعتي) وزر تعريف المستخدم (زر جديد) في الشريط إكسيل. بعد الانتهاء من إجراء ذلك، افتح myFile. xslm في إكسيل وأغلق محرر واجهة المستخدم المخصص. يجب أن نرى شيئا من هذا القبيل.
5 & # 8211؛ فتح محرر فبا: في myFile. xlsm إدراج وحدة نمطية جديدة. قم بلصق التعليمة البرمجية أدناه في الوحدة النمطية التي تم إنشاؤها حديثا.
يؤدي ذلك إلى محو النتائج السابقة في ورقة العمل قبل التعامل مع نتائج جديدة.
6 & # 8211؛ انقر فوق زر جديد: الآن عد إلى جدول البيانات وفي القائمة رترادر انقر فوق & # 8220؛ زر جديد & # 8221؛ زر. يجب أن تشاهد شيئا مثل ما يظهر أدناه.
الدليل أعلاه هو نسخة أساسية جدا من ما يمكن تحقيقه باستخدام بيرت لكنه يظهر لك كيفية الجمع بين قوة عدة أدوات محددة لبناء التطبيق المخصص الخاص بك. من وجهة نظري مصلحة هذا النهج هو القدرة على الغراء معا R و إكسيل الواضح ولكن أيضا لتشمل عن طريق شمل (والدفعة) قطعة من التعليمات البرمجية من بايثون، سكل وأكثر من ذلك. هذا هو بالضبط ما كنت بحاجة إليه. وأخيرا أود أن تكون غريبة لمعرفة ما إذا كان أي شخص لديه أي خبرة مع بيرت؟
استراتيجية التداول: الاستفادة القصوى من البيانات من العينة.
عند اختبار استراتيجيات التداول هناك نهج مشترك هو تقسيم مجموعة البيانات الأولية إلى بيانات العينة: الجزء من البيانات المصممة لمعايرة النموذج والخروج من بيانات العينة: جزء من البيانات المستخدمة للتحقق من صحة المعايرة وضمان أن الأداء التي تم إنشاؤها في عينة ستنعكس في العالم الحقيقي. وكقاعدة عامة يمكن استخدام حوالي 70٪ من البيانات الأولية للمعايرة (أي في العينة) و 30٪ للتحقق (أي من العينة). ثم تساعد مقارنة البيانات داخل وخارج العينة على تحديد ما إذا كان النموذج قويا بما فيه الكفاية. ويهدف هذا المنصب إلى المضي قدما خطوة أخرى ويوفر طريقة إحصائية لتقرير ما إذا كان خارج العينة البيانات يتماشى مع ما تم إنشاؤه في العينة.
في الرسم البياني أدناه تمثل المنطقة الزرقاء خارج أداء العينة لأحد استراتيجياتي.
فحص بصري بسيط يكشف عن تناسب جيد بين داخل وخارج أداء العينة ولكن ما هي درجة الثقة لدي في هذا؟ في هذه المرحلة ليس كثيرا، وهذه هي القضية. والمطلوب حقا هو مقياس للتشابه بين مجموعات البيانات داخل وخارج العينة. ومن الناحية الإحصائية، يمكن ترجمة ذلك على أنه احتمال أن تأتي أرقام أداء العينة وخارجها من نفس التوزيع. هناك اختبار إحصائي غير بارامتري الذي يفعل بالضبط هذا: اختبار كروسكال واليس. ويمكن العثور على تعريف جيد لهذا الاختبار على R-توتور & # 8220؛ مجموعة من عينات البيانات مستقلة إذا كانت تأتي من السكان غير ذات الصلة والعينات لا تؤثر على بعضها البعض. باستخدام اختبار كروسكال واليس، يمكننا أن نقرر ما إذا كانت التوزيعات السكانية متطابقة دون افتراض أنها تتبع التوزيع الطبيعي. & # 8221؛ الفائدة الإضافية لهذا الاختبار لا يفترض توزيع طبيعي.
وتوجد اختبارات أخرى من نفس الطبيعة يمكن أن تتلاءم مع هذا الإطار. اختبار مان-ويتني-ويلكوكسون أو اختبارات كولموغوروف-سميرنوف يناسب تماما الإطار يصف هنا ولكن هذا خارج نطاق هذه المقالة لمناقشة إيجابيات وسلبيات كل من هذه الاختبارات. ويمكن الاطلاع على وصف جيد جنبا إلى جنب مع الأمثلة R هنا.
هنا الرمز المستخدم لإنشاء الرسم البياني أعلاه والتحليل:
في المثال أعلاه في فترة العينة أطول من خارج الفترة عينة ولذلك أنا عشوائيا إنشاء 1000 مجموعات فرعية من البيانات في العينة كل واحد لها نفس طول البيانات خارج العينة. ثم اختبرت كل عينة فرعية في مقابل عينة من البيانات وسجلت قيم p. هذه العملية لا تخلق قيمة P واحدة لاختبار كروسكال واليس ولكن التوزيع يجعل التحليل أكثر قوة. في هذا المثال يكون متوسط قيم p أعلى بكثير من الصفر (0.478) مما يشير إلى أنه يجب قبول الفرضية الصفرية: فهناك أدلة قوية على أن البيانات داخل وخارج العينة تأتي من نفس التوزيع.
كالمعتاد ما هو عرض في هذا المنصب هو مثال لعبة أن خدوش فقط على سطح المشكلة ويجب أن تكون مصممة لتلبية الاحتياجات الفردية. ومع ذلك أعتقد أنه يقترح إطارا إحصائيا للاهتمام والعقلاني لتقييم نتائج العينة.
هذه المقالة مستوحاة من الورقتين التاليتين:
فيجيل ألكسندر، شميل سوان (2007)، "آثار وظائف التحسين المختلفة على الخروج من عينة أداء استراتيجيات التداول المتطورة وراثيا"، التنبؤ مؤتمر الأسواق المالية.
فيجيه أليكساندر، شميل سوان (2018)، "عملية التحسين لتحسين / الخروج من عينة الاتساق، حالة سوق الأوراق المالية»، مؤتمر مورغان كازينوف الأسهم الكمية الكمية، لندن أكتوبر 2018.
تقديم فيدلر: فينانسيال داتا لوادير.
فيدلر هو رستوديو أدين تهدف إلى تبسيط عملية تنزيل البيانات المالية من مختلف مقدمي الخدمات. هذا الإصدار الأولي هو المجمع حول وظيفة جيتسيمبولس في حزمة كوانتمود ويتم دعم فقط ياهو، جوجل، فريد و أواندا. أنا ربما إضافة وظائف مع مرور الوقت. كالمعتاد مع هذه الأشياء مجرد تذكير نوع: & # 8220؛ يتم توفير البرنامج & # 8220؛ كما هو & # 8221؛، دون ضمان من أي نوع & # 8230؛ & # 8221؛
كيفية تثبيت واستخدام فيدلر؟
يمكنك الحصول على أدين / حزمة من مستودع جيثب هنا (وسوف يسجل على كران في وقت لاحق) تثبيت أدين. هناك تعليمي ممتاز لتثبيت رستوديو أدينز هنا. بمجرد تثبيت أدين يجب أن تظهر في القائمة أدين. اخترت فقط فيدلر في القائمة ونافذة كما في الصورة أدناه يجب أن تظهر. اختر موفر بيانات من القائمة المنسدلة المصدر. حدد نطاق تاريخ من قائمة التاريخ أدخل الرمز الذي ترغب في تنزيله في مربع النص الخاص بالأداة. لتحميل عدة رموز فقط أدخل الرموز مفصولة بفواصل. استخدام أزرار الراديو لاختيار ما إذا كنت ترغب في تحميل الصك في ملف كسف أو في البيئة العالمية. سيتم حفظ ملف كسف في دليل العمل وسيكون هناك ملف كسف واحد لكل أداة. Press Run to get the data or Close to close down the addin.
Error messages and warnings are handled by the underlying packages (quantmod and Shiny) and can be read from the console.
This is a very first version of the project so do not expect perfection but hopefully it will get better over time. Please report any comment, suggestion, bug etc… to: thertrader@gmail.
Maintaining a database of price files in R.
Doing quantitative research implies a lot of data crunching and one needs clean and reliable data to achieve this. What is really needed is clean data that is easily accessible (even without an internet connection). The most efficient way to do this for me has been to maintain a set of csv files. Obviously this process can be handled in many ways but I found very efficient and simple overtime to maintain a directory where I store and update csv files. I have one csv file per instrument and each file is named after the instrument it contains. The reason I do so is twofold: First, I don’t want to download (price) data from Yahoo, Google etc… every time I want to test a new idea but more importantly once I identified and fixed a problem, I don’t want to have to do it again the next time I need the same instrument. Simple yet very efficient so far. The process is summarized in the chart below.
In everything that follows, I assume that data is coming from Yahoo. The code will have to be amended for data from Google, Quandl etc… In addition I present the process of updating daily price data. The setup will be different for higher frequency data and other type of dataset (i. e. different from prices).
1 & # 8211؛ Initial data downloading (listOfInstruments. R & historicalData. R)
The file listOfInstruments. R is a file containing only the list of all instruments.
If an instrument isn’t part of my list (i. e. no csv file in my data folder) or if you do it for the very first time you have to download the initial historical data set. The example below downloads a set of ETFs daily prices from Yahoo Finance back to January 2000 and store the data in a csv file.
2 & # 8211؛ Update existing data (updateData. R)
The below code starts from existing files in the dedicated folder and updates all of them one after the other. I usually run this process everyday except when I’m on holiday. To add a new instrument, simply run step 1 above for this instrument alone.
3 & # 8211؛ Create a batch file (updateDailyPrices. bat)
Another important part of the job is creating a batch file that automates the updating process above (I’m a Windows user). This avoids opening R/RStudio and run the code from there. The code below is placed on a. bat file (the path has to be amended with the reader’s setup). Note that I added an output file (updateLog. txt) to track the execution.
The process above is extremely simple because it only describes how to update daily price data. I’ve been using this for a while and it has been working very smoothly for me so far. For more advanced data and/or higher frequencies, things can get much trickier.
As usual any comments welcome.
Factor Evaluation in Quantitative Portfolio Management.
When it comes to managing a portfolio of stocks versus a benchmark the problem is very different from defining an absolute return strategy. In the former one has to hold more stocks than in the later where no stocks at all can be held if there is not good enough opportunity. The reason for that is the tracking error . This is defined as the standard deviation of the portfolio return minus the benchmark return. The less stocks is held vs. a benchmark the higher the tracking error (e. g higher risk).
The analysis that follows is largely inspired by the book “Active Portfolio Management” by Grinold & Kahn. This is the bible for anyone interested in running a portfolio against a benchmark. I strongly encourage anyone with an interest in the topic to read the book from the beginning to the end. It’s very well written and lays the foundations of systematic active portfolio management (I have no affiliation to the editor or the authors).
Here we’re trying to rank as accurately as possible the stocks in the investment universe on a forward return basis. Many people came up with many tools and countless variant of those tools have been developed to achieve this. In this post I focus on two simple and widely used metrics: Information Coefficient (IC) and Quantiles Return (QR).
The IC gives an overview of the factor forecasting ability. More precisely, this is a measure of how well the factor ranks the stocks on a forward return basis. The IC is defined as the rank correlation ( ρ ) between the metric (e. g. factor) and the forward return. In statistical terms the rank correlation is a nonparametric measure of dependance between two variables. For a sample of size n , the n raw scores are converted to ranks , and ρ is computed from:
The horizon for the forward return has to be defined by the analyst and it’s a function of the strategy’s turnover and the alpha decay (this has been the subject of extensive research). Obviously ICs must be as high as possible in absolute terms.
For the keen reader, in the book by Grinold & Kahn a formula linking Information Ratio (IR) and IC is given: with breadth being the number of independent bets (trades). This formula is known as the fundamental law of active management . The problem is that often, defining breadth accurately is not as easy as it sounds.
In order to have a more accurate estimate of the factor predictive power it’s necessary to go a step further and group stocks by quantile of factor values then analyse the average forward return (or any other central tendency metric) of each of those quantiles. The usefulness of this tool is straightforward. A factor can have a good IC but its predictive power might be limited to a small number of stocks. This is not good as a portfolio manager will have to pick stocks within the entire universe in order to meet its tracking error constraint. Good quantiles return are characterised by a monotonous relationship between the individual quantiles and forward returns.
All the stocks in the S&P500 index (at the time of writing). Obviously there is a survival ship bias: the list of stocks in the index has changed significantly between the start and the end of the sample period, however it’s good enough for illustration purposes only.
The code below downloads individual stock prices in the S&P500 between Jan 2005 and today (it takes a while) and turns the raw prices into return over the last 12 months and the last month. The former is our factor, the latter will be used as the forward return measure.
Below is the code to compute Information Coefficient and Quantiles Return. Note that I used quintiles in this example but any other grouping method (terciles, deciles etc…) can be used. it really depends on the sample size, what you want to capture and wether you want to have a broad overview or focus on distribution tails. For estimating returns within each quintile, median has been used as the central tendency estimator. This measure is much less sensitive to outliers than arithmetic mean.
And finally the code to produce the Quantiles Return chart.
3 & # 8211؛ How to exploit the information above?
In the chart above Q1 is lowest past 12 months return and Q5 highest. There is an almost monotonic increase in the quantiles return between Q1 and Q5 which clearly indicates that stocks falling into Q5 outperform those falling into Q1 by about 1% per month. This is very significant and powerful for such a simple factor (not really a surprise though…). Therefore there are greater chances to beat the index by overweighting the stocks falling into Q5 and underweighting those falling into Q1 relative to the benchmark.
An IC of 0.0206 might not mean a great deal in itself but it’s significantly different from 0 and indicates a good predictive power of the past 12 months return overall. Formal significance tests can be evaluated but this is beyond the scope of this article.
The above framework is excellent for evaluating investments factor’s quality however there are a number of practical limitations that have to be addressed for real life implementation:
Rebalancing : In the description above, it’s assumed that at the end of each month the portfolio is fully rebalanced. This means all stocks falling in Q1 are underweight and all stocks falling in Q5 are overweight relative to the benchmark. This is not always possible for practical reasons: some stocks might be excluded from the investment universe, there are constraints on industry or sector weight, there are constraints on turnover etc… Transaction Costs : This has not be taken into account in the analysis above and this is a serious brake to real life implementation. Turnover considerations are usually implemented in real life in a form of penalty on factor quality. Transfer coefficient : This is an extension of the fundamental law of active management and it relaxes the assumption of Grinold’s model that managers face no constraints which preclude them from translating their investments insights directly into portfolio bets.
And finally, I’m amazed by what can be achieved in less than 80 lines of code with R…
As usual any comments welcome.
Risk as a “Survival Variable”
I come across a lot of strategies on the blogosphere some are interesting some are a complete waste of time but most share a common feature: people developing those strategies do their homework in term of analyzing the return but much less attention is paid to the risk side its random nature. I’ve seen comment like “a 25% drawdown in 2018 but excellent return overall”. Well my bet is that no one on earth will let you experience a 25% loss with their money (unless special agreements are in place). In the hedge fund world people have very low tolerance for drawdown. Generally, as a new trader in a hedge fund, assuming that you come with no reputation, you have very little time to prove yourself. You should make money from day 1 and keep on doing so for a few months before you gain a bit of credibility.
First let’s say you have a bad start and you lose money at the beginning. With a 10% drawdown you’re most certainly out but even with a 5% drawdown the chances of seeing your allocation reduced are very high. This has significant implications on your strategies. Let’s assume that if you lose 5% your allocation is divided by 2 and you come back to your initial allocation only when you passed the high water mark again (e. g. the drawdown comes back to 0). In the chart below I simulated the experiment with one of my strategies.
You start trading in 1st June 2003 and all goes well until 23rd Jul. 2003 where your drawdown curve hits the -5% threshold (**1**). Your allocation is cut by 50% and you don’t cross back the high water mark level until 05th Dec. 2003 (**3**). If you have kept the allocation unchanged, the high water mark level would have been crossed on 28th Oct. 2003 (**2**) and by the end of the year you would have made more money.
But let’s push the reasoning a bit further. Still on the chart above, assume you get really unlucky and you start trading toward mid-June 2003. You hit the 10% drawdown limit by the beginning of August and you’re most likely out of the game. You would have started in early August your allocation would not have been cut at all and you end up doing a good year in only 4 full months of trading. In those two examples nothing has changed but your starting date….
The trading success of any individual has some form of path dependency and there is not much you can do about it. However you can control the size of a strategy’s drawdown and this should be addressed with great care. A portfolio should be diversified in every possible dimension: asset classes, investment strategies, trading frequencies etc…. From that perspective risk is your “survival variable”. If managed properly you have a chance to stay in the game long enough to realise the potential of your strategy. Otherwise you won’t be there next month to see what happens.
As usual any comments welcome.
A Simple Shiny App for Monitoring Trading Strategies – الجزء الثاني.
This is a follow up on my previous post “A Simple Shiny App for Monitoring Trading Strategies“. I added a few improvements that make the app a bit better (at least for me!). Below is the list of new features :
A sample. csv file (the one that contains the raw data) A “EndDate” drop down box allowing to specify the end of the period. A “Risk” page containing a VaR analysis and a chart of worst performance over various horizons A “How To” page explaining how to use and tailor the app to individual needs.
I also made the app totally self contained. It is now available as a stand alone product and there is no need to have R/RStudio installed on your computer to run it. It can be downloaded from the R Trader Google drive account. This version of the app runs using portable R and portable Chrome. For the keen reader, this link explains in full details how to package a Shiny app into a desktop app (Windows only for now).
1 & # 8211؛ How to install & run the app on your computer.
Create a specific folder Unzip the contain of the. zip file onto that new folder. Change the paths in the runShinyApp file to match your setings To run the app, you just have launch the run. vbs file. I also included an icon (RTraderTradingApp. ico) should you want to create a shortcut on your desktop.
ui. R: controls the layout and appearance of the app server. R: contains the instructions needed to build the app. You can load as much strategies as you want as long as the corresponding csv file has the right format (see below). shinyStrategyGeneral. R: loads the required packages and launches the app.
3 & # 8211؛ How to add a trading strategy?
Create the corresponding. csv file in the right directory Create a new input in the data reactive function (within the server. R file) Add an extra element to the choice parameter in the first selectInput in the sidebarPanel (within the ui. R file). The element’s name should match the name of the new input above.
Remove the input in the data reactive function corresponding to the strategy you want to remove (within the server. R file) Remove the element in the choice parameter in the first selectInput in the sidebarPanel corresponding to the strategy you want to remove (within the ui. R file).
Please feel free to get in touch should you have any suggestion.
A Simple Shiny App for Monitoring Trading Strategies.
In a previous post I showed how to use R, Knitr and LaTeX to build a template strategy report. This post goes a step further by making the analysis interactive. Besides the interactivity, the Shiny App also solves two problems :
I can now access all my trading strategies from a single point regardless of the instrument traded. Coupled with the Shiny interactivity, it allows easier comparison. I can focus on a specific time period.
The code used in this post is available on a Gist/Github repository. There are essentially 3 files.
ui. R : controls the layout and appearance of the app. server. R : contains the instructions needed to build the app. It loads the data and format it. There is one csv file per strategy each containing at least two columns: date and return with the following format: (“2018-12-22″,”0.04%” ). You can load as much strategies as you want as long as they have the right format. shinyStrategyG eneral. R : loads the required packages and launches the app.
This app is probably far from perfect and I will certainly improve it in the future. Feel free to get in touch should you have any suggestion.
A big thank you to the RStudio/Shiny team for such a great tool.
Using Genetic Algorithms in Quantitative Trading.
The question one should always asked him/herself when using technical indicators is what would be an objective criteria to select indicators parameters (e. g., why using a 14 days RSI rather than 15 or 20 days?). Genetic algorithms (GA) are well suited tools to answer that question. In this post I’ll show you how to set up the problem in R. Before I proceed the usual reminder: What I present in this post is just a toy example and not an invitation to invest. It’s not a finished strategy either but a research idea that needs to be further researched, developed and tailored to individual needs.
What are genetic algorithms?
The best description of GA I came across comes from Cybernatic Trading a book by Murray A. Ruggiero. “Genetic Algorithms were invented by John Holland in the mid-1970 to solve hard optimisation problems. This method uses natural selection, survival of the fittest”. The general process follows the steps below:
Encode the problem into chromosomes Using the encoding, develop a fitness function for use in evaluating each chromosome’s value in solving a given problem Initialize a population of chromosomes Evaluate each chromosome in the population Create new chromosomes by mating two chromosomes. This is done by muting and recombining two parents to form two children (parents are selected randomly but biased by their fitness) Evaluate the new chromosome Delete a member of the population that is less fit than the new chromosome and insert the new chromosome in the population. If the stop criteria is reached (maximum number of generations, fitness criteria is good enough…) then return the best chromosome alternatively go to step 4.
From a trading perspective GA are very useful because they are good at dealing with highly nonlinear problems. However they exhibit some nasty features that are worth mentioning:
Over fitting: This is the main problem and it’s down to the analyst to set up the problem in a way that minimises this risk. Computing time : If the problem isn’t properly defined, it can be extremely long to reach a decent solution and the complexity increases exponentially with the number of variables. Hence the necessity to carefully select the parameters.
There are several R packages dealing with GA, I chose to use the most common one: rgenoud.
Daily closing prices for most liquid ETFs from Yahoo finance going back to January 2000. The in sample period goes from January 2000 to December 2018. The Out of sample period starts on January 2018.
The logic is as following: the fitness function is optimised over the in sample period to obtain a set of optimal parameters for the selected technical indicators. The performance of those indicators is then evaluated in the out of sample period. But before doing so the technical indicators have to be selected.
The equity market exhibits two main characteristics that are familiar to anyone with some trading experience. Long term momentum and short term reversal. Those features can be translated in term of technical indicators by: moving averages cross over and RSI. This represents a set of 4 parameters: Look-back periods for long and short term moving averages, look-back period for RSI and RSI threshold. The sets of parameters are the chromosomes . The other key element is the fitness function . We might want to use something like: maximum return or Sharpe ratio or minimum average Drawdown. In what follows, I chose to maximise the Sharpe ratio.
The R implementation is a set of 3 functions:
fitnessFunction : defines the fitness function (e. g., maximum Sharpe ratio) to be used within the GA engine tradingStatistics : summary of trading statistics for the in and out of sample periods for comparison purposes genoud : the GA engine from the rgenoud package.
The genoud function is rather complex but I’m not going to explain what each parameter means as I want to keep this post short (and the documentation is really good).
In the table below I present for each instrument the optimal parameters (RSI look-back period, RSI threshold, Short Term Moving Average, and Long Term Moving Average) along with the in and out of sample trading statistics.
Before commenting the above results, I want to explain a few important points. To match the logic defined above, I bounded the parameters to make sure the look-back period for the long term moving average is always longer that the shorter moving average. I also constrained the optimiser to choose only the solutions with more than 50 trades in the in sample period (e. g;, statistical significance).
Overall the out of sample results are far from impressive. The returns are low even if the number of trades is small to make the outcome really significant. However there’s a significant loss of efficiency between in and out of sample period for Japan (EWJ) which very likely means over fitting.
This post is intended to give the reader the tools to properly use GA in a quantitative trading framework. Once again, It’s just an example that needs to be further refined. A few potential improvement to explore would be:
fitness function : maximising the Sharpe ratio is very simplistic. A “smarter” function would certainly improve the out of sample trading statistics pattern : we try to capture a very straightforward pattern. A more in depth pattern research is definitely needed. optimisation : there are many ways to improve the way the optimisation is conducted. This would improve both the computation speed and the rationality of the results.
The code used in this post is available on a Gist repository.
Comments
Post a Comment