Estratégia De Negociação Quantitativa Blog

Guia do principiante para negociação quantitativa Neste artigo, vou apresentá-lo a alguns dos conceitos básicos que acompanham um sistema de negociação quantitativo de ponta a ponta. Esta postagem esperará servir duas pessoas. O primeiro será indivíduos tentando obter um emprego em um fundo como um comerciante quantitativo. O segundo será indivíduos que desejam tentar e configurar seu próprio negócio de negociação algorítmica de varejo. Negociação quantitativa é uma área extremamente sofisticada de financiamento quantitativo. Pode levar uma quantidade significativa de tempo para obter o conhecimento necessário para passar uma entrevista ou construir suas próprias estratégias de negociação. Não só isso, mas exige uma ampla experiência em programação, pelo menos em uma linguagem como MATLAB, R ou Python. No entanto, à medida que a frequência comercial da estratégia aumenta, os aspectos tecnológicos tornam-se muito mais relevantes. Assim, estar familiarizado com CC será de suma importância. Um sistema de negociação quantitativo consiste em quatro componentes principais: Identificação de Estratégia - Encontrar uma estratégia, explorar uma vantagem e decidir sobre a freqüência comercial Estratégia Backtesting - Obter dados, analisar o desempenho da estratégia e remover os viés Sistema de Execução - Vinculação a uma corretora, automatizando a negociação e minimizando Custos de transação Gerenciamento de riscos - Alocação de capital ótima, critério de aposta e critério Kelly Bem, comece por analisar como identificar uma estratégia de negociação. Identificação de Estratégia Todos os processos de negociação quantitativos começam com um período inicial de pesquisa. Este processo de pesquisa abrange a busca de uma estratégia, considerando se a estratégia se enquadra em um portfólio de outras estratégias que você pode estar executando, obtendo todos os dados necessários para testar a estratégia e tentar otimizar a estratégia para maiores retornos e / ou menor risco. Você precisará avaliar seus próprios requisitos de capital se estiver executando a estratégia como um comerciante de varejo e como qualquer custo de transação afetará a estratégia. Contrariamente à crença popular, é realmente bastante direto encontrar estratégias rentáveis ​​através de várias fontes públicas. Os acadêmicos publicam periódicamente resultados teóricos de negociação (embora na maioria dos custos de transação). Os blogs quantitativos de finanças discutirão estratégias em detalhes. As revistas comerciais descreverão algumas das estratégias empregadas pelos fundos. Você pode questionar por que os indivíduos e as empresas estão interessados ​​em discutir suas estratégias rentáveis, especialmente quando sabem que outras pessoas que se aglomeram podem impedir que a estratégia funcione no longo prazo. A razão reside no fato de que eles geralmente não discutem os parâmetros exatos e os métodos de afinação que realizaram. Essas otimizações são a chave para transformar uma estratégia relativamente medíocre em uma altamente rentável. Na verdade, uma das melhores maneiras de criar suas próprias estratégias únicas é encontrar métodos semelhantes e, em seguida, realizar seu próprio procedimento de otimização. Aqui está uma pequena lista de lugares para começar a procurar idéias de estratégia: muitas das estratégias que você olhará cairão nas categorias de reversão média e tendência-seguimento. Uma estratégia de reversão média é aquela que tenta explorar o fato de que existe uma média de longo prazo em uma série de preços (como a propagação entre dois ativos correlacionados) e que desvios de curto prazo dessa média eventualmente reverterão. Uma estratégia de impulso tenta explorar a psicologia dos investidores e a grande estrutura do fundo, engajando uma tendência de mercado, que pode aumentar o impulso em uma direção e seguir a tendência até reverter. Outro aspecto extremamente importante da negociação quantitativa é a freqüência da estratégia de negociação. A negociação de baixa freqüência (LFT) geralmente se refere a qualquer estratégia que detenha ativos por mais tempo do que um dia de negociação. Correspondentemente, a negociação de alta freqüência (HFT) geralmente se refere a uma estratégia que mantém ativos intraday. Ultra-high frequency trading (UHFT) refere-se a estratégias que possuem ativos na ordem de segundos e milissegundos. Como um profissional de varejo HFT e UHFT são certamente possíveis, mas apenas com conhecimento detalhado da pilha de tecnologia comercial e da dinâmica do livro de pedidos. Não discutiremos esses aspectos em grande medida neste artigo introdutório. Uma vez que uma estratégia, ou conjunto de estratégias, foi identificado, agora precisa ser testado quanto à lucratividade em dados históricos. Esse é o domínio do backtesting. Estratégia Backtesting O objetivo do backtesting é fornecer provas de que a estratégia identificada através do processo acima é rentável quando aplicado a dados históricos e fora da amostra. Isso define a expectativa de como a estratégia irá atuar no mundo real. No entanto, backtesting NÃO é uma garantia de sucesso, por vários motivos. É talvez a área mais sutil de negociação quantitativa, uma vez que implica numerosos preconceitos, que devem ser cuidadosamente considerados e eliminados o máximo possível. Discutiremos os tipos comuns de viés, incluindo viés avançado. Viés de sobrevivência e viés de otimização (também conhecido como viés de divulgação de dados). Outras áreas de importância no backtesting incluem disponibilidade e limpeza de dados históricos, com base em custos de transação realistas e na decisão de uma plataforma robusta de backtesting. Bem, discuta os custos de transação ainda mais na seção Sistemas de Execução abaixo. Uma vez que uma estratégia foi identificada, é necessário obter os dados históricos através dos quais realizar testes e, talvez, refinamento. Há um número significativo de fornecedores de dados em todas as classes de ativos. Os seus custos geralmente variam com a qualidade, a profundidade e a pontualidade dos dados. O ponto de partida tradicional para os comerciantes quantos iniciais (pelo menos no nível de varejo) é usar o conjunto de dados gratuitos da Yahoo Finance. Não me preocuparia muito com os prestadores, e gostaria de me concentrar nas questões gerais quando lido com conjuntos de dados históricos. As principais preocupações com os dados históricos incluem limpeza de precisão, viés de sobrevivência e ajuste para ações corporativas, como dividendos e divisões de estoque: a precisão pertence à qualidade geral dos dados - quer contenha algum erro. Os erros podem às vezes ser fáceis de identificar, como, por exemplo, com um filtro de espiga. Que irá escolher picos incorretos em dados da série temporal e correto para eles. Em outras ocasiões, eles podem ser muito difíceis de detectar. Muitas vezes é necessário ter dois ou mais provedores e, em seguida, verificar todos os seus dados uns contra os outros. O viés de sobrevivência é muitas vezes uma característica de conjuntos de dados gratuitos ou baratos. Um conjunto de dados com viés de sobrevivência significa que ele não contém ativos que não estão mais negociados. No caso das ações, isso significa que os estoques são cancelados. Este viés significa que qualquer estratégia de negociação de estoque testada em tal conjunto de dados provavelmente funcionará melhor do que no mundo real, já que os vencedores históricos já foram pré-selecionados. As ações corporativas incluem atividades logísticas realizadas pela empresa que geralmente causam uma mudança de função gradual no preço bruto, que não deve ser incluído no cálculo dos retornos do preço. Ajustes para dividendos e divisões de estoque são os culpados comuns. Um processo conhecido como ajuste de volta é necessário para ser realizado em cada uma dessas ações. É preciso ter muito cuidado para não confundir uma divisão de ações com um verdadeiro ajuste de retorno. Muitos comerciantes foram capturados por uma ação corporativa. Para realizar um procedimento de backtest, é necessário usar uma plataforma de software. Você tem a opção entre o software de back-back dedicado, como o Tradestation, uma plataforma numérica como o Excel ou o MATLAB ou uma implementação personalizada completa em uma linguagem de programação, como Python ou C. Não demorarei muito em Tradestation (ou similar), Excel ou MATLAB, como acredito na criação de uma pilha de tecnologia interna completa (por razões descritas abaixo). Um dos benefícios de fazer isso é que o software de backtest e o sistema de execução podem ser integrados, mesmo com estratégias estatísticas extremamente avançadas. Para as estratégias de HFT em particular, é essencial usar uma implementação personalizada. Quando testar um sistema, é preciso quantificar o desempenho. As métricas padrão da indústria para estratégias quantitativas são a redução máxima e a Razão Sharpe. O drawdown máximo caracteriza a maior queda de pico para a parcela na curva de equidade da conta em um determinado período de tempo (geralmente anual). Isso geralmente é citado como uma porcentagem. As estratégias de LFT tendem a ter maiores disparidades do que as estratégias de HFT, devido a uma série de fatores estatísticos. Um backtest histórico mostrará a retirada máxima do passado, que é um bom guia para o futuro desempenho de redução da estratégia. A segunda medida é a Ratia de Sharpe, que é heuristicamente definida como a média dos retornos em excesso divididos pelo desvio padrão desses retornos em excesso. Aqui, os retornos em excesso referem-se ao retorno da estratégia acima de um benchmark pré-determinado. Como o SP500 ou um projeto de lei do Tesouro de 3 meses. Observe que o retorno anualizado não é uma medida usualmente utilizada, pois não leva em consideração a volatilidade da estratégia (ao contrário do Ratio de Sharpe). Uma vez que uma estratégia foi testada novamente e é considerada livre de preconceitos (na medida em que é possível), com um bom Sharpe e reduções minimizadas, é hora de criar um sistema de execução. Sistemas de Execução Um sistema de execução é o meio pelo qual a lista de negócios gerados pela estratégia é enviada e executada pelo corretor. Apesar do fato de que a geração de comércio pode ser semi - ou mesmo totalmente automatizada, o mecanismo de execução pode ser manual, semi-manual (ou seja, um clique) ou totalmente automatizado. Para estratégias LFT, as técnicas manuais e semi-manuais são comuns. Para as estratégias de HFT, é necessário criar um mecanismo de execução totalmente automatizado, que muitas vezes será fortemente acoplado ao gerador comercial (devido à interdependência da estratégia e da tecnologia). As principais considerações ao criar um sistema de execução são a interface para a corretora. Minimização dos custos de transação (incluindo comissão, deslizamento e propagação) e divergência de desempenho do sistema ao vivo com o desempenho testado. Há muitas maneiras de se conectar a uma corretora. Eles variam de chamar seu corretor no telefone diretamente para uma interface de programação de aplicativos (API) de alto desempenho totalmente automatizada. O ideal é que você automatize a execução de seus negócios o máximo possível. Isso liberta você para se concentrar em novas pesquisas, além de permitir que você execute várias estratégias ou mesmo estratégias de maior freqüência (na verdade, o HFT é essencialmente impossível sem execução automática). O software comum de backtesting descrito acima, como MATLAB, Excel e Tradestation são bons para estratégias mais baixas e mais simples. No entanto, será necessário construir um sistema de execução interno escrito em uma linguagem de alto desempenho, como C, para fazer qualquer HFT real. Como uma anedota, no fundo com o qual eu costumava trabalhar, tivemos um loop de negociação de 10 minutos, onde iremos baixar novos dados de mercado a cada 10 minutos e, em seguida, executar negócios com base nessas informações no mesmo período. Isso estava usando um script Python otimizado. Para qualquer coisa que se aproxime de dados de minuto ou de segunda frequência, acredito que CC seria mais ideal. Em um fundo maior, muitas vezes não é o domínio do comerciante quant para otimizar a execução. No entanto, em lojas menores ou empresas HFT, os comerciantes são os executores e, portanto, um conjunto de habilidades muito mais amplo é muitas vezes desejável. Tenha em mente se você deseja ser empregado por um fundo. Suas habilidades de programação serão tão importantes, se não mais, do que suas estatísticas e talentos de econometria. Outra questão importante que se enquadra no banner de execução é a redução de custos de transação. Em geral, existem três componentes para os custos de transação: as comissões (ou taxas), que são as taxas cobradas pela corretora, a troca e o derrapagem SEC (ou órgão regulador governamental similar), que é a diferença entre o que você pretende que seu pedido seja Preenchido em relação ao que foi preenchido na propagação, que é a diferença entre o preço bidask da segurança negociada. Observe que o spread NÃO é constante e depende da liquidez atual (ou seja, disponibilidade de ordens Buysell) no mercado. Os custos de transação podem fazer a diferença entre uma estratégia extremamente rentável com uma boa relação Sharpe e uma estratégia extremamente rentável com uma relação Sharpe terrível. Pode ser um desafio prever corretamente os custos de transação de um backtest. Dependendo da frequência da estratégia, você precisará de acesso a dados de troca histórica, que incluirão dados de marca para os preços da bidask. Equipes completas de quants dedicam-se a otimização de execução nos fundos maiores, por estas razões. Considere o cenário em que um fundo precisa descarregar uma quantidade substancial de negócios (dos quais os motivos para isso são muitos e variados). Ao despejar tantas ações no mercado, elas comprimem rapidamente o preço e não podem obter uma execução ótima. Daí existem algoritmos que gotejam pedidos de alimentação no mercado, embora o fundo corra o risco de derrapagem. Além disso, outras estratégias adotam essas necessidades e podem explorar as ineficiências. Este é o domínio da arbitragem da estrutura do fundo. A principal questão principal para os sistemas de execução diz respeito à divergência do desempenho da estratégia com o desempenho testado. Isso pode acontecer por vários motivos. Já discutimos o viés avançado e o viés de otimização em profundidade, quando se considera backtests. No entanto, algumas estratégias não facilitam a verificação desses preconceitos antes da implantação. Isso ocorre em HFT mais predominantemente. Pode haver erros no sistema de execução, bem como a própria estratégia de negociação que não aparecem em um backtest, mas DO show up em negociação ao vivo. O mercado pode estar sujeito a uma mudança de regime posterior à implantação de sua estratégia. Novos ambientes regulatórios, mudança do sentimento dos investidores e fenômenos macroeconômicos podem levar a divergências em como o mercado se comporta e, assim, a rentabilidade da sua estratégia. Gerenciamento de riscos A peça final para o enigma comercial quantitativo é o processo de gerenciamento de riscos. O risco inclui todos os preconceitos anteriores que discutimos. Inclui o risco de tecnologia, como servidores co-localizados no intercâmbio de repente, desenvolvendo um mau funcionamento do disco rígido. Inclui o risco de corretagem, como o corretor se quebrando (não tão louco quanto parece, dado o susto recente com o MF Global). Em suma, abrange quase tudo o que poderia interferir na implementação da negociação, de que existem muitas fontes. Livros inteiros são dedicados ao gerenciamento de risco para estratégias quantitativas, por isso não tento elucidar sobre todas as possíveis fontes de risco aqui. O gerenciamento de riscos também abrange o que é conhecido como alocação ótima de capital. Que é um ramo da teoria do portfólio. Este é o meio pelo qual o capital é alocado para um conjunto de estratégias diferentes e para os negócios dentro dessas estratégias. É uma área complexa e depende de algumas matemáticas não triviais. O padrão da indústria pelo qual a alocação ótima de capital e a alavancagem das estratégias estão relacionadas é chamado de critério Kelly. Uma vez que este é um artigo introdutório, eu não penso em seu cálculo. O critério Kelly faz alguns pressupostos sobre a natureza estatística dos retornos, que geralmente não são válidos nos mercados financeiros, de modo que os comerciantes geralmente são conservadores quando se trata da implementação. Outro componente fundamental da gestão de riscos é o de lidar com o próprio perfil psicológico. Existem muitos viés cognitivos que podem entrar na negociação. Embora isso seja certamente menos problemático com o comércio algorítmico se a estratégia for deixada sozinha. Um viés comum é o da aversão à perda em que uma posição perdedora não será fechada devido à dor de ter que perceber uma perda. Da mesma forma, os lucros podem ser tomados muito cedo porque o medo de perder um lucro já obtido pode ser muito grande. Outro viés comum é conhecido como viés de recência. Isso se manifesta quando os comerciantes colocam muita ênfase nos eventos recentes e não no longo prazo. Então, é claro, há o par clássico de viés emocional - medo e ganância. Estes podem, muitas vezes, levar a alavancagem insuficiente ou excessiva, o que pode causar explosão (ou seja, o patrimônio da conta em zero ou pior) ou lucros reduzidos. Como pode ser visto, o comércio quantitativo é uma área extremamente complexa, embora muito interessante, de financiamento quantitativo. Eu literalmente arranhei a superfície do tópico neste artigo e já está ficando bastante longo. Livros e documentos inteiros foram escritos sobre questões que eu apenas dediquei uma ou duas sentenças. Por esse motivo, antes de se candidatar a empregos quantitativos em bolsa de fundos, é necessário realizar uma quantidade significativa de estudo de base. No mínimo, você precisará de uma ampla experiência em estatística e econometria, com muita experiência na implementação, através de uma linguagem de programação como MATLAB, Python ou R. Para estratégias mais sofisticadas no final da freqüência mais alta, seu conjunto de habilidades é provável Para incluir modificação do kernel do Linux, CC, programação de montagem e otimização de latência da rede. Se você está interessado em tentar criar suas próprias estratégias de negociação algorítmicas, minha primeira sugestão seria melhorar a programação. A minha preferência é criar tanto quanto possível o captador de dados, o backtester de estratégia e o sistema de execução. Se o seu próprio capital estiver na linha, você não dormiria melhor à noite sabendo que você testou completamente seu sistema e está ciente de suas armadilhas e questões específicas. Terceirizando isso para um fornecedor, embora potencialmente economizando tempo no curto prazo, poderia ser extremamente Caro no longo prazo. Na maioria das minhas mensagens de reversão médias, uso RSI (2) para determinar se um estoque foi vendido. Nesta publicação, vou explorar como usar um estoque de retorno recente para determinar se ele foi vendido. Isso será feito de forma a normalizar o retorno entre ações baixas e altas voláteis. Esta estratégia básica possui apenas duas regras de configuração. Como qualquer pessoa que preste atenção ao mercado, o SampP500 caiu nove dias seguidos. Muitas pessoas me escreveram sobre isso. Eu estava conversando com um amigo comercial durante o fim de semana sobre isso. Nove dias abaixo parece ruim. Vamos colocar isso em um contexto mais amplo. Até onde descemos nesses nove dias Somente 3.07. Agora, isso me fez pensar que é 3,07 em nove dias, o que é ruim. Minha pesquisa recente tem sido sobre a volatilidade do Exchange Traded Products. Meu foco foi em negócios longos usando VXX e XIV. Embora o VXX tenha uma tendência de queda muito forte, não sou fã de desenvolver estratégias curtas sobre isso devido ao enorme risco de ascensão. Eu escrevi sobre o XIV aqui e expressou alguns dos perigos da negociação desses ETFs. Fiz uma conversa recente sobre o grupo dos Comerciantes do Noroeste e Analistas Técnicos onde apresentaram uma estratégia VXX com alguns números gigantes de retorno e redução. Negociar isso seria muito difícil. Isso me fez pensar. Se eu tivesse uma estratégia como essa, como eu poderia domesticar os números ao longo dos anos, eu vi várias idéias sobre como fazer isso, mas nunca olhei para ele. Pesquisando na web, você pode encontrar várias estratégias de ETF de volatilidade com rendimentos muito altos e alta redução. Encontrei um que parecia interessante e tinha muito potencial para otimização e melhoria. Então, eu otimizei o assunto, procurando uma variação com mais de 100 CAGR. Eu encontrei um, mas eu nunca o trocaria porque eu supero os dados. Eu precisava de algo para trabalhar. Neste pequeno vídeo de cinco minutos, responderei às seguintes perguntas: Estou interessado em saber um pouco mais sobre sua própria negociação. Que tipos de estratégias você está negociando Por que você não gerencia dinheiro externo? Quais são os livros de negociação que você recomendou? Você tem uma negociação ou AmiBroker ou outra pergunta que você quiser que eu responda? Se assim for, adicione-o aos comentários abaixo ou preencha o Formato. A informação e análise neste site são fornecidas apenas para fins informativos. Nada aqui deve ser interpretado como um conselho de investimento personalizado. Sob nenhuma circunstância essa informação representa uma recomendação para comprar, vender ou manter qualquer segurança. Nenhuma das informações contidas neste site é garantida para ser correta, e qualquer coisa aqui escrita deve estar sujeita a uma verificação independente. Você e você sozinhos são os únicos responsáveis ​​por quaisquer decisões de investimento que você fizer. As idéias e as estratégias nunca devem ser usadas sem primeiro avaliar sua própria situação pessoal e financeira, ou sem consultar um profissional financeiro. Posso manter posições para mim ou para clientes nos títulos ou indústrias mencionados aqui. Existe um alto grau de risco envolvido na negociação de títulos. O seu uso de qualquer informação neste site é de sua total risco. Meus pensamentos e opiniões também mudarão de tempos em tempos, enquanto eu aprendo e acumulando mais conhecimento. Depois de trabalhar com o Cesar, meu desempenho comercial passou de imprevisível e mal lucrativo a consistentemente lucrativo. Não há maneira de administrar profissionalmente o dinheiro hoje, se não fosse pelo conselho profissional e pela ajuda de Cesar Alvarez. - Mark Angil, RBD Adaptive, LLC. Já conheci Cesar há 8 anos e ele é o meu primeiro e mais importante recurso para pesquisa de mercados financeiros, desenvolvimento de estratégias quantificadas e codificação. Rob Davenport - LCA Capital, LLC. Eventualmente, percebi que a maioria dos modelos que apresentavam foram projetados por Cesar. Seu trabalho é esclarecedor, informativo e muito fácil de entender, e isso é muito refrescante para ver no mundo Quant. Quant Strategies - são para você As estratégias quantitativas de investimento evoluíram para ferramentas muito complexas com o advento dos computadores modernos, mas as raízes das estratégias remontam aos 70 anos. Geralmente são executados por equipes altamente educadas e usam modelos proprietários para aumentar sua capacidade de vencer o mercado. Existem programas até mesmo em prateleira que são plug-and-play para quem procura simplicidade. Quant modelos sempre funcionam bem quando testados, mas suas aplicações reais e taxa de sucesso são discutíveis. Embora parecem funcionar bem em mercados de touro. Quando os mercados não estão relacionados, as estratégias de quant estão sujeitas aos mesmos riscos que qualquer outra estratégia. A História Um dos pais fundadores do estudo da teoria quantitativa aplicada ao financiamento foi Robert Merton. Você só pode imaginar o quão difícil e demorado o processo foi antes do uso de computadores. Outras teorias em finanças também evoluíram a partir de alguns dos primeiros estudos quantitativos, incluindo a base da diversificação do portfólio com base na moderna teoria da carteira. O uso de financiamento e cálculo quantitativo levou a muitas outras ferramentas comuns, incluindo uma das mais famosas, a fórmula de preços de opções Black-Scholes, que não só ajuda as opções de preços dos investidores e desenvolve estratégias, mas também ajuda a manter os mercados em risco com liquidez. Quando aplicado diretamente ao gerenciamento de portfólio. O objetivo é como qualquer outra estratégia de investimento. Para adicionar valor, alfa ou excesso de retorno. Quants, como os desenvolvedores são chamados, compor modelos matemáticos complexos para detectar oportunidades de investimento. Existem tantos modelos por aí como quants que os desenvolvem, e todos afirmam ser os melhores. Uma das estratégias de investimento de quantos pontos mais vendidos é que o modelo e, finalmente, o computador, fazem a decisão real de compra, não um humano. Isso tende a remover qualquer resposta emocional que uma pessoa possa experimentar ao comprar ou vender investimentos. As estratégias Quant são agora aceitas na comunidade de investimentos e administradas por fundos mútuos, hedge funds e investidores institucionais. Eles geralmente passam pelo nome de geradores alfa. Ou alfa gens. Atrás da cortina Assim como no The Wizard of Oz, alguém está atrás da cortina que conduz o processo. Como com qualquer modelo, é tão bom quanto o humano que desenvolve o programa. Embora não exista um requisito específico para se tornar um quant, a maioria das empresas que executam quant modelos combinam as habilidades dos analistas de investimentos, estatísticos e os programadores que codificam o processo nos computadores. Devido à natureza complexa dos modelos matemáticos e estatísticos, é comum ver credenciais como pós-graduação e doutorado em finanças, economia, matemática e engenharia. Historicamente, esses membros da equipe trabalharam nos back offices. Mas, à medida que os modelos quant tornam-se mais comuns, o back office está se movendo para o front office. Benefícios de Quant Strategies Embora a taxa de sucesso global seja discutível, o motivo de algumas estratégias de quant é funcionar é que elas são baseadas em disciplina. Se o modelo for certo, a disciplina mantém a estratégia trabalhando com computadores com velocidade relâmpada para explorar ineficiências nos mercados com base em dados quantitativos. Os próprios modelos podem basear-se em apenas algumas proporções, como PE. Dívida para patrimônio e crescimento de ganhos, ou use milhares de insumos trabalhando juntos ao mesmo tempo. Estratégias bem-sucedidas podem adotar as tendências em seus estágios iniciais, pois os computadores constantemente correm cenários para localizar ineficiências antes que outros o façam. Os modelos são capazes de analisar simultaneamente um grande grupo de investimentos, onde o analista tradicional pode estar observando apenas alguns por vez. O processo de triagem pode avaliar o universo por níveis de grau como 1-5 ou A-F, dependendo do modelo. Isso torna o processo de negociação real muito direto, investindo nos investimentos altamente cotados e vendendo os mais baixos. Os modelos Quant também abrem variações de estratégias como longas, curtas e longshort. Os fundos bem sucedidos da quantidade mantêm um olho no controle de risco devido à natureza de seus modelos. A maioria das estratégias começa com um universo ou benchmark e usa as ponderações setoriais e industriais em seus modelos. Isso permite que os fundos controlem a diversificação até certo ponto sem comprometer o próprio modelo. Os fundos Quant normalmente funcionam em uma base de custo menor, porque eles não precisam de tantos analistas tradicionais e gerentes de portfólio para executá-los. Desvantagens de Quant Strategies Existem razões pelas quais tantos investidores não aceitam completamente o conceito de deixar uma caixa preta executar seus investimentos. Para todos os fundos bem sucedidos da quantia lá fora, apenas muitos parecem ser infrutíferos. Infelizmente para a reputação de quants, quando eles falham, eles falham grande momento. O Gerenciamento de Capital de Longo Prazo foi um dos mais famosos hedge funds, já que foi dirigido por alguns dos líderes acadêmicos mais respeitados e dois economistas vencedores do Prêmio Nobel, Myron S. Scholes e Robert C. Merton. Durante a década de 1990, sua equipe gerou retornos acima da média e atraiu capital de todos os tipos de investidores. Eles eram famosos por não só explorar as ineficiências, mas usar o acesso fácil ao capital para criar grandes apostas alavancadas nas direções do mercado. A natureza disciplinada de sua estratégia realmente criou a fraqueza que levou ao seu colapso. O Gerenciamento de Capital de Longo Prazo foi liquidado e dissolvido no início de 2000. Os modelos não incluíam a possibilidade de o governo russo estar inadimplente em algumas das suas próprias dívidas. Este evento desencadeou eventos e uma reação em cadeia ampliada por estragos criados por alavancagem. LTCM estava tão fortemente envolvido com outras operações de investimento que seu colapso afetou os mercados mundiais, provocando eventos dramáticos. A longo prazo, o Federal Reserve entrou para ajudar, e outros bancos e fundos de investimento apoiaram o LTCM para evitar mais danos. Esta é uma das razões pelas quais os fundos quantitativos podem falhar, pois são baseados em eventos históricos que podem não incluir eventos futuros. Enquanto uma equipe de quantos fortes estará constantemente adicionando novos aspectos aos modelos para prever eventos futuros, é impossível prever o futuro sempre. Os fundos Quant também podem se surpreender quando a economia e os mercados estão passando por uma volatilidade maior do que a média. Os sinais de compra e venda podem vir tão rapidamente que o alto volume de negócios pode criar altas comissões e eventos tributáveis. Os fundos Quant também podem representar um perigo quando são comercializados como resistentes ao incômodo ou baseados em estratégias curtas. Previsão de recessões. O uso de derivados e a alavancagem combinada podem ser perigosos. Uma vez errada pode levar a implosões, que muitas vezes fazem as novidades. The Bottom Line As estratégias quantitativas de investimento evoluíram das caixas pretas do back office para as principais ferramentas de investimento. Eles são projetados para utilizar as melhores mentes no negócio e os computadores mais rápidos, tanto para explorar ineficiências quanto usar a alavancagem para fazer apostas no mercado. Eles podem ter muito sucesso se os modelos incluíram todas as entradas certas e são ágeis o suficiente para prever eventos anormais do mercado. Por outro lado, enquanto os fundos quantitativos são rigorosamente testados até que eles funcionam, sua fraqueza é que eles dependem de dados históricos para o seu sucesso. Embora o investimento em estilo quântico tenha seu lugar no mercado, é importante estar atento às suas deficiências e riscos. Para ser consistente com as estratégias de diversificação. É uma boa idéia tratar estratégias quantitativas como um estilo de investimento e combiná-lo com estratégias tradicionais para alcançar uma diversificação adequada. O capital de giro é uma medida da eficiência da empresa e da saúde financeira de curto prazo. O capital de giro é calculado. A Agência de Proteção Ambiental (EPA) foi criada em dezembro de 1970 sob o presidente dos Estados Unidos, Richard Nixon. O. Um regulamento implementado em 1 de janeiro de 1994, que diminuiu e eventualmente eliminou as tarifas para incentivar a atividade econômica. Um padrão contra o qual o desempenho de um fundo de segurança, fundo mútuo ou gerente de investimentos pode ser medido. Carteira móvel é uma carteira virtual que armazena informações do cartão de pagamento em um dispositivo móvel. 1. O uso de vários instrumentos financeiros ou capital emprestado, como a margem, para aumentar o retorno potencial de um investimento.