Auswahl einer Plattform für Backtesting und automatisierte Ausführung In diesem Artikel wird das Konzept der automatisierten Ausführung diskutiert. Im Großen und Ganzen ist dies der Prozess, der es ermöglicht, dass eine Handelsstrategie über eine elektronische Handelsplattform ohne weitere menschliche Eingriffe Handelsausführungssignale erzeugt. Die meisten Systeme, die bisher auf QuantStart diskutiert wurden, wurden so konzipiert, dass sie als automatisierte Ausführungsstrategien implementiert werden. Der Artikel beschreibt Softwarepakete und Programmiersprachen, die sowohl Backtesting als auch automatisierte Ausführungsfähigkeiten bereitstellen. Die erste Überlegung ist, wie Backtest einer Strategie. Meine persönliche Ansicht ist, dass die benutzerdefinierte Entwicklung einer Backtesting-Umgebung in einer erstklassigen Programmiersprache die größte Flexibilität bietet. Umgekehrt muss eine vom Hersteller entwickelte integrierte Backtesting-Plattform immer Annahmen über die Durchführung von Backtests machen. Trotzdem ist die Auswahl der verfügbaren Programmiersprachen groß und vielfältig, was oft überwältigend sein kann. Es ist nicht offensichtlich, vor der Entwicklung, die Sprache wahrscheinlich geeignet sein wird. Bei der Kodifizierung einer Strategie in systematische Regeln muss der quantitative Händler zuversichtlich sein, dass die zukünftige Performance der Vergangenheit widerspiegelt. Es gibt in der Regel zwei Arten von Backtesting-System, die verwendet werden, um diese Hypothese zu testen. Im Großen und Ganzen sind sie als Research-Back-Tester und ereignisgesteuerte Backtester kategorisiert. Wir betrachten benutzerdefinierte Backterters gegen Verkäufer Produkte für diese beiden Paradigmen und sehen, wie sie vergleichen. Bei der Identifizierung algorithmischer Handelsstrategien ist es in der Regel unnötig, alle Aspekte der Marktinteraktion vollständig zu simulieren. Stattdessen können Annäherungen vorgenommen werden, die eine schnelle Bestimmung der potenziellen Strategieperformance ermöglichen. Solche Forschungsinstrumente oft unrealistische Annahmen über Transaktionskosten, wahrscheinlich füllen Preise, Shorting Einschränkungen, Veranstaltungsort Abhängigkeit, Risikomanagement und Position Sizing. Trotz dieser Mängel kann die Leistungsfähigkeit solcher Strategien noch effektiv evaluiert werden. Gemeinsame Werkzeuge für die Forschung gehören MATLAB, R, Python und Excel. Diese Software-Pakete Schiff mit Vektorisierung Fähigkeiten, die schnelle Ausführungsgeschwindigkeit und einfachere Strategie-Implementierung zu ermöglichen. MATLAB und Pandas sind Beispiele für vektorisierte Systeme. Mit solchen Forschungsinstrumenten ist es möglich, mehrere Strategien, Kombinationen und Varianten schnell und iterativ zu testen, ohne dass eine realistische Marktinteraktionssimulation vollständig ausgeklammert werden muss. Solche Werkzeuge werden häufig sowohl für Backtesting als auch für die Ausführung verwendet. Diese Forschungsumgebungen sind jedoch in der Regel nicht geeignet für Strategien, die intraday-Handel mit höheren Frequenzen auf Subminutenskala ansprechen. Diese Bibliotheken neigen nicht dazu, in der Lage, effektiv eine Verbindung zu Echtzeit-Markt-Daten-Anbieter oder Schnittstelle mit Brokerage-APIs in einer robusten Weise. Trotz dieser Ausführungsschwächen werden Forschungsumgebungen innerhalb der professionellen quantitativen Handelsindustrie stark genutzt. Sie bieten den ersten Entwurf für alle Strategie-Ideen vor der Förderung zu mehr rigorosen Kontrollen innerhalb einer realistischen Backtesting-Umgebung. Event-Driven Backtesting Sobald eine Strategie in der Forschung als geeignet erachtet wird, muss sie realistischer beurteilt werden. Dieser Realismus versucht, die Mehrheit (wenn nicht sogar alle) der in früheren Beiträgen beschriebenen Fragen zu berücksichtigen. Die ideale Situation ist, denselben Handelsgenerierungscode für historisches Backtesting sowie Live-Ausführung nutzen zu können. Dies geschieht über einen ereignisgesteuerten Backtester. Ereignisgesteuerte Systeme sind weit verbreitet in der Software-Entwicklung, häufig für die Handhabung grafische Benutzeroberfläche (GUI) Eingang in Windows-basierte Betriebssysteme verwendet. Sie sind auch ideal für den algorithmischen Handel, da der Begriff der Echtzeit-Marktaufträge oder Trade-Fills als Ereignis verkapselt werden kann. Solche Systeme werden oft in Hochleistungssprachen wie C, C und Java geschrieben. Berücksichtigen Sie eine Situation, in der eine automatisierte Handelsstrategie mit einem Echtzeit-Markt-Feed und einem Broker verbunden ist (diese beiden können ein und dasselbe sein). Neue Marktinformationen werden an das System gesendet, das ein Ereignis auslöst, um ein neues Handelssignal und somit ein Ausführungsereignis zu erzeugen. Diese Systeme laufen in einer Endlosschleife, die darauf wartet, Ereignisse zu empfangen und entsprechend zu behandeln. Es ist möglich, Unterkomponenten wie einen historischen Datenhandler und einen Maklersimulator zu generieren, die ihre Live-Pendants nachahmen können. Dies ermöglicht Backtesting-Strategien in einer Weise, die ähnlich wie die Live-Ausführung. Der Nachteil solcher Systeme liegt in ihrer komplizierten Konstruktion im Vergleich zu einem einfacheren Forschungswerkzeug. Daher ist die Markteinführung länger. Sie sind anfälliger für Bugs und erfordern ein gutes Wissen über Programmierung und Software-Entwicklung Methodik. In der Technik wird die Latenzzeit als das Zeitintervall zwischen einer Simulation und einer Antwort definiert. Im quantitativen Handel bezieht er sich im Allgemeinen auf die Round-Trip-Zeitverzögerung zwischen der Erzeugung eines Ausführungssignals und dem Empfang der Füllinformation von einem Broker, der die Ausführung ausführt. Eine derartige Latenz ist selten ein Thema bei niederfrequenten Interday-Strategien. Die erwartete Kursbewegung während der Latenzzeit wird die Strategie in keinem großen Ausmaß beeinflussen. Das gleiche gilt nicht für Hochfrequenzstrategien, bei denen die Latenz extrem wichtig wird. Das ultimative Ziel in HFT ist es, Latenz so weit wie möglich zu reduzieren Schlupf zu reduzieren. Eine Verringerung der Latenzzeit führt zu einer Minimierung des Abstands zwischen dem algorithmischen Handelssystem und der ultimativen Börse, auf der ein Auftrag ausgeführt wird. Dies kann eine Verkürzung der geographischen Distanz zwischen den Systemen zur Folge haben, wodurch die Reisezeiten entlang der Netzwerkverkabelung reduziert werden. Es kann auch die Reduzierung der Verarbeitung in Netzwerk-Hardware durchgeführt oder die Auswahl eines Maklers mit einer anspruchsvolleren Infrastruktur. Viele Makler konkurrieren auf Latenz, um Geschäft zu gewinnen. Sinkende Latenz wird exponentiell teurer als Funktion der Internet-Distanz, die als Netzwerk-Abstand zwischen zwei Servern definiert ist. Somit muss für einen Hochfrequenztrader ein Kompromiss zwischen dem Aufwand der Latenzreduzierung und dem Gewinn aus der Minimierung des Schlupfes erreicht werden. Diese Themen werden im Abschnitt Colocation unten besprochen. Sprachauswahl Einige Probleme, die die Sprachwahl treiben, wurden bereits umrissen. Jetzt werden die Vorteile und Nachteile der einzelnen Programmiersprachen betrachtet. Ich habe breit kategorisiert die Sprachen in High-Performanceharder Entwicklung vs niedrigere Performanceeasier Entwicklung. Diese sind subjektive Begriffe und einige werden nicht zustimmen, je nach ihrem Hintergrund. Einer der wichtigsten Aspekte der Programmierung einer benutzerdefinierten Backtesting-Umgebung ist, dass der Programmierer mit den verwendeten Tools vertraut ist. Für diejenigen, die neu in der Programmiersprache Landschaft sind die folgenden wird klären, was neigt dazu, innerhalb der algorithmischen Handel genutzt werden. C, C und Java C, C und Java sind alle Beispiele für universelle objektorientierte Programmiersprachen. Das bedeutet, dass sie ohne eine entsprechende integrierte Entwicklungsumgebung (IDE) eingesetzt werden können, alle plattformübergreifend sind, über eine breite Palette an Bibliotheken für nahezu alle erdenklichen Aufgaben verfügen und eine rasche Ausführungsgeschwindigkeit bei korrekter Nutzung ermöglichen. Wenn die endgültige Ausführungsgeschwindigkeit erwünscht ist, ist C (oder C) wahrscheinlich die beste Wahl. Es bietet die größte Flexibilität für die Speicherverwaltung und die Optimierung der Ausführungsgeschwindigkeit. Diese Flexibilität kommt zu einem Preis. C ist schwierig, gut zu lernen und kann oft zu subtilen Bugs führen. Entwicklungszeit kann viel länger dauern als in anderen Sprachen. Trotz dieser Mängel ist es in der Finanzindustrie durchdringend. C und Java sind ähnlich, da sie beide erfordern, dass alle Komponenten Objekte mit Ausnahme von primitiven Datentypen wie Floats und Ganzzahlen sind. Sie unterscheiden sich von C durch die automatische Garbage Collection. Garbage Collection fügt einen Performance Overhead aber führt zu einer schnelleren Entwicklung. Diese Sprachen sind beide gute Entscheidungen für die Entwicklung eines Backtests, da sie native GUI-Fähigkeiten, numerische Analyse-Bibliotheken und schnelle Ausführungsgeschwindigkeit haben. Ich persönlich benutze C für die Erstellung von ereignisgesteuerten Backtestern, die eine extrem schnelle Ausführungsgeschwindigkeit benötigen, wie für HFT-Systeme. Dies ist nur, wenn ich fühlte, dass ein python-ereignisgesteuertes System Engpass war, da die letztere Sprache meine erste Wahl für ein solches System wäre. MATLAB, R und Python MATLAB ist eine kommerzielle IDE für numerische Berechnungen. Es hat eine breite Akzeptanz in den Bereichen Wissenschaft, Technik und Finanzen gewonnen. Es hat viele numerische Bibliotheken für die wissenschaftliche Berechnung. Es verfügt über eine rasche Ausführungsgeschwindigkeit unter der Annahme, dass jeder entwickelte Algorithmus Vektorisierung oder Parallelisierung unterliegt. Trotz dieser Vorteile ist es teuer macht es weniger attraktiv für Einzelhändler auf ein Budget. MATLAB wird manchmal für die direkte Ausführung zu einem Brokerage wie Interactive Brokers verwendet. R ist eine dedizierte Statistik-Scripting-Umgebung. Es ist frei, Open-Source, plattformübergreifend und enthält eine Fülle von frei verfügbaren statistischen Paketen für die Durchführung extrem fortgeschrittener Analysen. R ist sehr verbreitet in der akademischen Statistik und der quantitativen Hedgefonds-Industrie eingesetzt. Während es möglich ist, R mit einem Brokerage zu verbinden, ist für die Aufgabe nicht gut geeignet und sollte eher als ein Forschungsinstrument betrachtet werden. Es fehlt auch die Ausführungsgeschwindigkeit, wenn die Operationen nicht vektorisiert werden. Ive gruppiert Python unter dieser Überschrift, obwohl es irgendwo zwischen MATLAB, R und die oben genannten Allzweck-Sprachen sitzt. Es ist frei, Open-Source und Cross-Plattform. Sie wird im Gegensatz zu kompiliert interpretiert. Die es nativ langsamer als C. Aber es enthält eine Bibliothek für die Durchführung fast jeder Aufgabe vorstellbar, von der wissenschaftlichen Berechnung bis hin zu Low-Level-Web-Server-Design. Insbesondere enthält es NumPy, SciPy, pandas, matplotlib und scikit-learn, die eine robuste numerische Forschungsumgebung bieten, die bei Vektorisierung vergleichbar mit der kompilierten Sprachausführungsgeschwindigkeit ist. Python besitzt auch Bibliotheken für den Anschluss an Broker. Dies macht es zu einem One-Stop-Shop für die Erstellung einer ereignisgesteuerten Backtesting - und Live-Ausführungsumgebung, ohne in andere, komplexere Sprachen einzutreten. Ausführungsgeschwindigkeit ist mehr als ausreichend für Intraday-Händler, die auf der Zeitskala von Minuten und darüber handeln. Python ist sehr einfach zu holen und zu lernen, wenn im Vergleich zu niedrigeren Ebenen Sprachen wie C. Aus diesen Gründen machen wir umfangreiche Verwendung von Python in QuantStart Artikel. Integrierte Entwicklungsumgebungen Der Begriff IDE hat mehrere Bedeutungen innerhalb des algorithmischen Handels. Software-Entwickler verwenden es, um eine GUI, die Programmierung mit Syntax-Hervorhebung, Datei-Browsing, Debugging und Codeausführung Features ermöglicht. Algorithmische Händler verwenden es, um eine voll integrierte Backtestingtrading-Umfeld mit historischen oder Echtzeit-Daten-Download, Charting, statistische Auswertung und Live-Ausführung bedeuten. Für unsere Zwecke verwende ich den Begriff, um jede Backtesttrading-Umgebung zu bezeichnen, oft GUI-basiert, die nicht als Allzweck-Programmiersprache betrachtet wird. Während einige Quant-Händler können Excel als unangemessen für den Handel zu betrachten, habe ich festgestellt, dass es äußerst nützlich für die Vernunft-Überprüfung der Ergebnisse. Die Tatsache, dass alle Daten direkt im Sichtfeld zur Verfügung stehen, macht es einfach, sehr einfache Signalfilterstrategien zu implementieren. Broker wie Interactive Brokers erlauben auch DDE-Plugins, die es Excel erlauben, Echtzeit-Marktdaten zu empfangen und Handelsaufträge auszuführen. Trotz der Benutzerfreundlichkeit Excel ist extrem langsam für jede vernünftige Skala von Daten oder der Ebene der numerischen Berechnung. Ich benutze es nur zur Fehlerprüfung bei der Entwicklung gegen andere Strategien. Insbesondere ist es äußerst praktisch, zu prüfen, ob eine Strategie einer Vorgriffs-Bias unterliegt. Dies ist einfach zu erkennen in Excel aufgrund der Kalkulationstabelle Natur der Software. Wenn Sie mit Programmiersprachen unbequem sind und eine interday-Strategie durchführen, dann kann Excel eine gute Wahl sein. CommercialRetail Backtesting Software Der Markt für Retail Charting, technische Analyse und Backtesting-Software ist extrem wettbewerbsfähig. Zu den Leistungsmerkmalen dieser Software gehören die Echtzeit-Chartierung der Preise, eine Fülle von technischen Indikatoren, maßgeschneiderte Backtesting-Sprachen und automatisierte Ausführung. Einige Anbieter bieten eine All-in-One-Lösung wie TradeStation. TradeStation sind eine Online-Brokerage, die Trading-Software (auch bekannt als TradeStation), die elektronische Bestellung Ausführung über mehrere Asset-Klassen. Ich bin derzeit nicht bewusst eine direkte API für automatisierte Ausführung. Stattdessen müssen Aufträge über die GUI-Software platziert werden. Dies ist im Gegensatz zu Interactive Brokern, die eine schlankere Handelsschnittstelle (Trader WorkStation) haben, aber bieten sowohl ihre eigenen Real-Time Marketorder Ausführungs-APIs und eine FIX-Schnittstelle. Eine weitere sehr beliebte Plattform ist MetaTrader. Die im Devisenhandel zur Schaffung von Expert Advisors verwendet wird. Diese sind benutzerdefinierte Skripts in einer proprietären Sprache, die für automatisierte Handel verwendet werden kann geschrieben. Ich habe nicht viel Erfahrung mit entweder TradeStation oder MetaTrader, so dass ich nicht zu viel Zeit verbringen zu diskutieren ihre Verdienste. Solche Werkzeuge sind nützlich, wenn Sie nicht vertraut mit tiefgehender Software-Entwicklung und wünschen eine Menge der Details zu kümmern. Doch bei solchen Systemen wird viel Flexibilität geopfert und Sie sind oft an eine Brokerage gebunden. Open-Source und Web-basierte Tools Die beiden aktuellen populären web-basierten Backtesting-Systeme sind Quantopian und QuantConnect. Der erstere Gebrauch von Python (und ZipLine, siehe unten), während die letztere nutzt C. Beide bieten eine Fülle von historischen Daten. Quantopian unterstützt derzeit Live-Handel mit Interactive Brokers, während QuantConnect arbeitet an Live-Handel. Algo-Trader ist ein Schweizer Unternehmen, das sowohl eine Open-Source - als auch eine kommerzielle Lizenz für ihr System anbietet. Von dem, was ich sammeln kann das Angebot scheint recht ausgereift und sie haben viele institutionelle Kunden. Das System ermöglicht eine vollständige historische Backtesting und komplexe Event-Verarbeitung und sie binden in Interactive Brokers. Die Enterprise Edition bietet wesentlich höhere Leistungsmerkmale. Marketcetera bieten ein Backtesting-System, das in viele andere Sprachen, wie Python und R binden können, um Code, den Sie bereits geschrieben haben könnte, zu nutzen. Das Strategy Studio bietet die Möglichkeit, Backtesting-Code sowie optimierte Ausführungsalgorithmen und anschließend den Übergang von einem historischen Backtest zum Live-Papierhandel zu schreiben. Ich havent verwendet sie vorher. ZipLine ist die Python-Bibliothek, die den oben erwähnten Quantopian-Dienst unterstützt. Es ist ein vollständig ereignisgesteuertes Backtest-Umfeld und unterstützt derzeit US-Aktien auf minutiöser Basis. Ich havent gemacht umfangreiche Nutzung von ZipLine, aber ich weiß, andere, die es ein gutes Werkzeug fühlen. Es gibt noch viele Bereiche zu verbessern, aber das Team arbeitet ständig an dem Projekt und es ist sehr aktiv gepflegt. Es gibt auch einige GithubGoogle-Code-gehostete Projekte, die Sie vielleicht anschauen möchten. Ich habe nicht viel Zeit damit verbracht, sie zu untersuchen. Zu diesen Projekten gehören OpenQuant. TradeLink und PyAlgoTrade. Institutionelle Backtesting-Software Institutionelle Backtesting-Systeme wie Deltix und QuantHouse werden nicht selten von Einzelhandels-Algorithmikern genutzt. Die Softwarelizenzen liegen in der Regel außerhalb des Budgets für Infrastruktur. Davon abgesehen, wird diese Software weit verbreitet von Quant-Fonds, proprietären Handelshäusern, Familienbüros und dergleichen verwendet. Die Vorteile dieser Systeme sind klar. Sie bieten eine All-in-One-Lösung für Datenerfassung, Strategieentwicklung, historisches Backtesting und Live-Ausführung über einzelne Instrumente oder Portfolios bis hin zur hochfrequenten Ebene. Solche Plattformen haben umfangreiche Tests und viel im Bereich der Nutzung und so gelten als robust. Die Systeme sind ereignisgesteuert und die Backtesting-Umgebungen können die Lebensumstände oftmals mit hoher Genauigkeit simulieren. Die Systeme unterstützen auch optimierte Ausführungsalgorithmen, die versuchen, die Transaktionskosten zu minimieren. Dies ist insbesondere für Händler mit einer größeren Kapitalbasis von Nutzen. Ich muss zugeben, dass ich nicht viel Erfahrung mit Deltix oder QuantHouse gehabt habe. Davon abgesehen, das Budget allein macht sie aus der Reichweite der meisten Einzelhändler, so werde ich nicht auf diesen Systemen wohnen. Colocation Die Softwarelandschaft für den algorithmischen Handel wurde nun befragt. Wir können jetzt unsere Aufmerksamkeit auf die Umsetzung der Hardware, die unsere Strategien ausführen wird. Ein Einzelhändler wird wahrscheinlich ausführen ihre Strategie von zu Hause während der Marktzeiten. Dazu gehört das Einschalten des PCs, das Anschließen an den Broker, die Aktualisierung der Marktsoftware und die automatische Ausführung des Algorithmus während des Tages. Umgekehrt wird eine professionelle Quant-Fonds mit erheblichen Assets under Management (AUM) haben eine dedizierte Exchange-colocated Server-Infrastruktur, um Latenz so weit wie möglich zu reduzieren, um ihre High-Speed-Strategien. Home Desktop Der einfachste Ansatz für Hardware-Bereitstellung ist einfach, eine algorithmische Strategie mit einem Home-Desktop-Computer mit dem Brokerage über eine Breitbandverbindung (oder eine ähnliche Verbindung) durchzuführen. Während dieser Ansatz ist einfach, um loszulegen, leidet es viele Nachteile. Die Desktop-Maschine unterliegt Stromausfall, es sei denn, sie wird durch eine USV gesichert. Darüber hinaus ist eine Internet-Internet-Verbindung auch auf der Gnade des ISP. Verlust oder Internet-Konnektivität Ausfall könnte zu einem entscheidenden Moment im Handel auftreten, so dass der algorithmische Händler mit offenen Positionen, die nicht geschlossen werden können. Dieses Problem tritt auch bei Betriebssystem-obligatorischen Neustarts (dies ist mir in einer professionellen Einstellung tatsächlich passiert) und Komponentenfehler, die zu den gleichen Problemen führt. Aus den oben genannten Gründen zögere ich, einen Home-Desktop-Ansatz zu algorithmischen Handel empfehlen. Wenn Sie sich entscheiden, diesen Ansatz zu verfolgen, stellen Sie sicher, dass sowohl ein Backup-Computer UND eine Backup-Internetverbindung (z. B. ein 3G-Dongle), die Sie verwenden können, um Positionen unter einer Ausfallzeit Situation zu schließen. Die nächste Ebene von einem Home-Desktop ist die Nutzung eines virtuellen privaten Server (VPS). Ein VPS ist ein Remoteserver-System, das oft als Cloud-Service vermarktet wird. Sie sind viel günstiger als ein entsprechender dedizierter Server, da ein VPS tatsächlich eine Partition eines viel größeren Servers ist. Sie verfügen über eine virtuelle, isolierte Betriebssystemumgebung, die für jeden einzelnen Benutzer verfügbar ist. CPU-Last wird von mehreren VPS gemeinsam genutzt und ein Teil der Systeme RAM wird dem VPS zugewiesen. Dies geschieht durch einen Prozess, der als Virtualisierung bekannt ist. Häufige VPS-Anbieter sind Amazon EC2 und Rackspace Cloud. Sie bieten Einstiegs-Systeme mit geringem RAM und grundlegenden CPU-Auslastung bis hin zu unternehmensreinen hohen RAM-, hohen CPU-Servern. Für die Mehrheit der algorithmischen Einzelhändler reichen die Einsteigersysteme für niederfrequente Intraday - oder Interday-Strategien und kleinere historische Datenbanken aus. Die Vorteile eines VPS-basierten Systems sind die Verfügbarkeit von 247 (wenn auch mit einer gewissen realistischen Ausfallzeit), robustere Überwachungsfunktionen, einfache Plugins für zusätzliche Dienste wie Dateispeicher oder verwaltete Datenbanken und eine flexible Architektur. Ein Nachteil ist der laufende Aufwand. Da das System wächst dedizierte Hardware wird billiger pro Einheit der Leistung. Dieser Preis Punkt setzt Colocation weg von einem Austausch. Im Vergleich zu einem Home-Desktop-System Latenz ist nicht immer durch die Wahl eines VPS-Provider verbessert. Ihr Heimatort befindet sich möglicherweise näher an einem bestimmten Finanzplatz als die Rechenzentren Ihres Cloud-Anbieters. Dies wird durch die Auswahl einer Firma, die VPS-Dienste speziell für algorithmischen Handel, die an oder nahe gelegenen Austauschen ausgerichtet sind, abgemildert. Diese werden wahrscheinlich mehr kosten als ein generischer VPS-Anbieter wie Amazon oder Rackspace. Exchange Colocation Um die beste Latenz-Minimierung zu erhalten, ist es notwendig, dedizierte Server direkt am Datencenter zu sammeln. Dies ist eine unerschwinglich teure Option für fast alle Einzelhandel algorithmischen Händler, wenn sie nicht sehr gut kapitalisiert. Es ist wirklich die Domäne des professionellen quantitativen Fonds oder Brokerage. Wie ich oben erwähnt habe, ist eine realistischere Option, ein VPS-System von einem Anbieter zu kaufen, der sich in der Nähe einer Börse befindet. Wie zu sehen ist, gibt es viele Optionen für Backtesting, automatisierte Ausführung und Hosting einer Strategie. Die Festlegung der richtigen Lösung ist abhängig von Budget, Programmierkenntnissen, Anpassungsgrad, Verfügbarkeit der Anlagenklasse und ob der Handel auf Einzelhandels - oder professioneller Basis durchgeführt werden soll. Vesna Straser, eine optimale Handelsausführung und algorithmischer Handelsprofi, präsentiert von Backtesting zu Live Trading im vergangenen April bei QuantCon NYC. In diesem Vortrag diskutierte Dr. Vesna Straser die Unterschiede in der erwarteten Rutschgefahr zwischen Live Trading, Simulationshandel und Backtesting. Typischerweise werden, wenn Backtesting-Signale, Ordnung Füll-Simulationen vereinfacht, um Strategie-Performance-Daten schneller zu erhalten. Beispielsweise arbeiten viele kommerzielle Backtest-Softwareanbieter mit abgetasteten Daten, wie z. B. winzigen offenen oder geschlossenen Preispunkten, und nehmen an, dass das Signal am Ende eines Balkens ausgelöst wird und mit dem engen Preis des nächsten Taktes gefüllt wird, je nach dem angenommenen Schlupf Modell. Der Simulationshandel wird jedoch typischerweise auf Tick-Trading-Daten (live oder replayed) laufen, was möglicherweise zu einer ganz anderen Dynamik gegenüber Back-Tests führt. Aufträge werden je Füllung Annahmen, die zwischen verschiedenen Anbietern erheblich variieren können, gefüllt. Im Live-Handel werden Aufträge sofort unter realen Marktbedingungen und Auftragsart ausgelöst und ausgeführt. Abhängig von der Handelsstrategie können sich die Handelsergebnisse des Handels erheblich vom Backtesting - und Simulationshandel unterscheiden. Vesna beschreibt die Fragen, die Analytik zu verfolgen, Faktoren zu berücksichtigen, und wie sie für sie zu realistischen Back-Testergebnisse zu erzielen. Dr. Straser arbeitete zuvor bei CQG und LiquidMetrix. Sie können ihr Gespräch unten zu sehen, und lesen Sie auch durch ihre Folien hier. QuantCon ist Quantopians Flaggschiffjahresereignis, das Fachgespräche und Tutorials in einer Vielzahl von Bereichen, einschließlich quantitative Finanzierung, algorithmischer Handel, maschinelles Lernen, Datenwissenschaft und mehr kennzeichnet. Bleiben Sie dran, das QuantCon 2017 wird in Kürze bekannt gegeben. Das Material auf dieser Website dient nur zu Informationszwecken und stellt weder ein Angebot zum Verkauf noch eine Aufforderung zum Kauf oder eine Empfehlung oder Billigung für eine Sicherheit oder Strategie dar, noch stellt es eine Angebot, um Anlageberatung oder andere Dienstleistungen von Quantopian zur Verfügung zu stellen. Darüber hinaus bietet der Inhalt der Website keine Stellungnahme zur Eignung von Sicherheiten oder bestimmten Investitionen. Quantopian übernimmt keine Gewähr für die Richtigkeit und Vollständigkeit der auf der Website dargestellten Meinungen. Die Standpunkte sind änderungsbedürftig und können aus verschiedenen Gründen unzuverlässig geworden sein, unter anderem Änderungen der Marktbedingungen oder der wirtschaftlichen Verhältnisse. Bei allen Anlagen handelt es sich um Risiken einschließlich Verlust des Kapitalbetrages. Bevor Sie Investitionsentscheidungen treffen, sollten Sie sich mit einem Anlageberater beraten.
No comments:
Post a Comment