لایب سان

The goal of the quantitative trading researcher is to seek out what is termed alpha–new streams of uncorrelated risk-adjusted returns–and then exploit these returns via a systematic trading model and execution infrastructure. Alpha is difficult to find, as by definition once it is well-known it decays and seeks to be an uncorrelated source of returns. Instead it gradually becomes a risk factor and thus loses its risk-adjusted profitability. This book concentrates on three major areas of mathematical modelling–Bayesian Statistics, Time Series Analysis and Machine Learning–that will augment your quantitative trading research process in order to help you discover sources of alpha. Many of these techniques are in use at some of the largest global asset managers and quan- titative hedge funds. In the following chapters these techniques will be described and applied to financial data in order to develop testable systematic trading strategies. 1.2 Why Time Series Analysis, Bayesian Statistics and Ma- chine Learning? In the last few years there has been a significant increase in the availability of software for carrying out statistical analysis at large scales–the so called "big data" era. Much of this software is completely free, open source, extremely well-tested and straightfor- ward to use. The prevalence of free software coupled to the availability of financial data, as provided by services such as Yahoo Finance, Google Finance, Quandl and DTN IQ Feed, has lead to a sharp increase in individuals deciding to become quant traders. Unfortunately many of these individuals never get past learning basic "technical analysis". They avoid important topics such as risk management, portfolio construction and algorithmic execution–topics given significant attention in institutional environments. In addition "retail" traders often neglect more effective means of generating alpha, such as can be provided via detailed statistical analysis.

چکیده فارسی

هدف محقق معاملات کمی این است که آنچه را که آلفا-جریان های جدید بازده های غیرهمبسته با ریسک تعدیل شده نامیده می شود- جستجو کند و سپس از این بازده ها از طریق یک مدل معاملاتی سیستماتیک و زیرساخت اجرایی بهره برداری کند. پیدا کردن آلفا دشوار است، زیرا طبق تعریف، زمانی که به خوبی شناخته شد، تحلیل می‌رود و به دنبال تبدیل شدن به یک منبع نامرتبط بازده است. در عوض به تدریج به یک عامل خطر تبدیل می شود و بنابراین سودآوری تعدیل شده با ریسک خود را از دست می دهد. این کتاب بر سه حوزه اصلی مدل‌سازی ریاضی – آمار بیزی، تجزیه و تحلیل سری‌های زمانی و یادگیری ماشین – تمرکز دارد که روند تحقیقات کمی تجارت شما را افزایش می‌دهد تا به شما در کشف منابع آلفا کمک کند. بسیاری از این تکنیک ها در برخی از بزرگترین مدیران دارایی جهانی و صندوق های تامینی کمی مورد استفاده قرار می گیرند. در فصل‌های بعدی، این تکنیک‌ها به منظور توسعه استراتژی‌های معاملاتی سیستماتیک قابل آزمایش، توصیف و برای داده‌های مالی اعمال خواهند شد. 1.2 چرا تجزیه و تحلیل سری زمانی، آمار بیزی و یادگیری ماشینی؟ در چند سال اخیر افزایش قابل توجهی در دسترسی به نرم افزار برای انجام تجزیه و تحلیل آماری در مقیاس های بزرگ - به اصطلاح عصر "داده های بزرگ" وجود داشته است. بسیاری از این نرم افزار کاملاً رایگان، متن باز، بسیار آزمایش شده و ساده برای استفاده است. رواج نرم‌افزار رایگان همراه با در دسترس بودن داده‌های مالی، که توسط سرویس‌هایی مانند Yahoo Finance، Google Finance، Quandl و DTN IQ Feed ارائه می‌شود، منجر به افزایش شدید افرادی شده است که تصمیم به تبدیل شدن به معامله‌گران کمی دارند. متأسفانه بسیاری از این افراد هرگز از یادگیری اولیه "تحلیل فنی" عبور نمی کنند. آنها از موضوعات مهمی مانند مدیریت ریسک، ساخت پورتفولیو و اجرای الگوریتمی اجتناب می‌کنند – موضوعاتی که در محیط‌های سازمانی مورد توجه قرار می‌گیرند. علاوه بر این، معامله‌گران «خرده‌فروشی» اغلب از ابزارهای مؤثرتری برای تولید آلفا غفلت می‌کنند، مانند آنچه که از طریق تجزیه و تحلیل آماری دقیق ارائه می‌شود.