Sinais de negociação pca

sinais comerciais Pca
Uma alma generosa pode verificar a implementação do notebook porque, quando repito essa estratégia, não é lucrativa? O documento é fácil de entender.
E aqui é um backtest. Perda apenas. Imagino por que?
Eu não verifiquei todo o algoritmo, mas parece que você é destruído pelos custos de transação. É um pouco ganhando antes de levá-los em conta.
Considerando as estratégias acima, eu estava pensando se você verificou o documento abaixo.
Attilio publicou o código Matlab com o artigo.
O artigo parece mais claro para mim.
Obrigado Andrew. Eu acho que o artigo que você mencionou com base na cointegração em vez de fatores PCA.
ahhh acho que estou ficando um pouco confuso.
Iniciante, o papel 404, você tem o nome dele ou um espelho? Obrigado.
Editado obrigado bom comerciante.
Ei, obrigado pelo seu trabalho. Mas estou me perguntando o porquê.
& quot; eigport = eigport / np. sum (np. abs (eigport)) * 250000 & quot; ao invés de.
& quot; eigport = eigport / np. sum (eigport) * 250000 & quot;
Oi, obrigado pelo seu algo. Atualmente, estou estudando este artigo e alguém pode dizer-me gentilmente o que é pontuação e hf realmente? por que 2 e por que 5? Além disso, o que é contador? por que 5? THX!!
Você pode explicar esta linha?
num = - a * np. sqrt (1-b ** 2)
Você já identificou o problema? Eu não consigo encontrar a "posição de fechamento" sinal, isto é, abs (s) & lt; 0,5, no seu código.
Eu abandonei essa abordagem. Existem muitas outras formas de fazer arbitragem estatística.
Apenas olhei para o seu código. Você implementou o & quot; fechar & quot; Sinaliza incorretamente, se eu não estou enganado.
O seu algo fecha TODAS as posições abertas se NENHUM dos estoques da lista produzem abs (pontuação) & gt; 2 e hf & lt; 5 e.
Em vez disso, cada estoque deve ser tratado individualmente e se abs (pontuação) & lt; 0,5 somente o lugar relacionado a esse estoque deve ser fechado.
@Aqua, qual estratégia sobre quais títulos você achou que funcionaria melhor, se houver?
Desculpe, algo deu errado. Tente novamente ou contate-nos enviando comentários.
Você enviou um ticket de suporte com sucesso.
Nossa equipe de suporte estará em contato em breve.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian.
Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.
O material deste site é fornecido apenas para fins informativos e não constitui uma oferta de venda, uma solicitação de compra ou uma recomendação ou endosso para qualquer segurança ou estratégia, nem constitui uma oferta de prestação de serviços de consultoria de investimento pela Quantopian.
Além disso, o material não oferece nenhuma opinião em relação à adequação de qualquer segurança ou investimento específico. Nenhuma informação contida neste documento deve ser considerada como uma sugestão para se envolver ou abster-se de qualquer curso de ação relacionado ao investimento, já que nenhuma das empresas atacadas ou nenhuma das suas afiliadas está a comprometer-se a fornecer conselhos de investimento, atuar como conselheiro de qualquer plano ou entidade sujeito a A Lei de Segurança de Renda de Aposentadoria do Empregado de 1974, conforme alterada, conta de aposentadoria individual ou anuidade de aposentadoria individual, ou dar conselhos em capacidade fiduciária em relação aos materiais aqui apresentados. Se você é um aposentadorio individual ou outro investidor, entre em contato com seu consultor financeiro ou outro fiduciário não relacionado a Quantopian sobre se qualquer idéia, estratégia, produto ou serviço de investimento descrito aqui pode ser apropriado para suas circunstâncias. Todos os investimentos envolvem risco, incluindo perda de principal. A Quantopian não oferece garantias sobre a precisão ou integridade das opiniões expressas no site. Os pontos de vista estão sujeitos a alterações e podem ter se tornado pouco confiáveis ​​por vários motivos, incluindo mudanças nas condições do mercado ou nas circunstâncias econômicas.

Alfa Tático em Teoria e Prática (Parte II): Análise de Componentes Principais.
Na Parte I desta série, exploramos a Lei Fundamental da Gestão Ativa de Grinold & # 8217; e a razão pela qual a teoria leva a conclusões equivocadas na presença de correlações de ativos. Neste artigo, oferecemos um guia sobre uma ferramenta útil para avaliação de portfólio, Análise de Componentes Principais (PCA), e ilustramos como a PCA pode ajudar a quantificar o número de apostas independentes em uma carteira de ativos correlacionados.
A Análise de Componentes Principais (PCA) é uma técnica para extrair as dinâmicas endógenas ou latentes que existem em um sistema. Para o nosso propósito, estaremos realizando PCA em universos de investimento para determinar os fatores independentes de variância do portfólio. Esses drivers latentes & # 8211; ou fatores & # 8211; não são facilmente identificáveis ​​como, por exemplo, os fatores Fama-French (Fama e French, 1993), mas estão bastante incorporados no próprio universo. Como resultado, esse método contrasta com as técnicas típicas de regressão, como a Análise de Estilo Baseada em Retornos ou as regressões de fator Fama-French, que impõem estrutura de fatores externos em um universo de ativos para explicar a variância do portfólio.
A Análise de Componentes Principais pode ser realizada em uma matriz de correlação ou matriz de covariância. A matriz de covariância contém informações sobre os ativos # 8217; risco e direção desse risco, enquanto a matriz de correlação contém apenas informações sobre a direção do risco. Para esta série de artigos, nos focaremos principalmente na matriz de correlação. Isso é porque, no contexto das carteiras, a correlação é a única variável verdadeiramente independente, que não pode ser alterada pelo gerente de portfólio. Em contrapartida, um gerente de portfólio tem a capacidade de escalar o risco de um activo para cima ou para baixo, introduzindo dinheiro ou alavancagem. Consulte o apêndice na parte inferior deste artigo para saber por que isso é assim.
A Análise de Componentes Principais envolve a transformação da matriz de correlação original para derivar os carregamentos de fatores e autovalores. As cargas estão na forma de uma matriz com as mesmas dimensões que a matriz de correlação original. Por exemplo, se houvesse 30 linhas e 30 colunas na matriz de correlação original, a matriz de carga também terá 30 linhas e 30 colunas. Cada coluna da matriz de carga representa um fator latente que explica uma parcela do movimento do portfólio subjacente. Cada linha da matriz de carregamentos corresponde a um activo contido no universo de investimento original. Onde um recurso cruza uma coluna, observamos a sensibilidade & # 8211; ou & # 8216; carregando & # 8217; & # 8211; desse bem em um fator particular. Por design, cada fator é independente dos outros fatores, o que significa que eles têm zero correlação entre si.
Quando o PCA é aplicado à análise de portfólio, as colunas da matriz de carregamentos são referidas como "pastas principais" e # 8217; porque eles são compostos por posições longas ou curtas nos ativos constituintes. Desta forma, as cargas de fator podem ser interpretadas como ativos & # 8216; pesos & # 8217; Nesse fator # 8217; s & # 8216; principal portfólio & # 8217 ;. Os retornos dessas principais carteiras podem ser observados aplicando o vetor de peso aos retornos de ativos e, por serem independentes, os retornos de cada portfólio principal terão uma correlação de exatamente 0 entre si. Nós podemos "projetar" # 8217; os retornos das principais carteiras de volta ao tempo, assim como podemos para qualquer outro tipo de portfólio.
Cada carteira principal possui um autovalor correspondente, que descreve a proporção da variância padronizada do portfólio total atribuível a esse fator. Quando a matriz de correlação é utilizada na análise, a soma das variâncias padronizadas é igual ao número de variáveis ​​ou ativos no universo em análise; Quando a matriz de covariância é utilizada, os valores próprios somam a variância total do portfólio. A Figura 1. traça os autovalores, ou variâncias padronizadas, derivadas de um PCA da matriz de correlação formada a partir dos 30 estoques no Dow Jones nos 252 dias de 1 de outubro de 2018 a 30 de setembro de 2018. A Figura 2. mostra as principais carteiras dos estoques constituintes, que carregam positivamente ou negativamente em cada fator.
Figura 1. Variância padronizada da Análise de Componentes Principais da Média Industrial Dow Jones, outubro de 2018 e # 8211; Setembro de 2018.
Fonte de dados: CSI.
Figura 2. Cargas de fator para os primeiros 15 componentes principais da Dow Jones Industrial Average, outubro de 2018 e # 8211; Setembro de 2018.
Fonte de dados: CSI.
Ao examinar as variações padronizadas na Figura 1, observamos que o primeiro fator (Componente 1) exerce um impacto desproporcional no portfólio de ações da Dow Jones 30. Na verdade, é responsável pela variação do próximo fator mais explicativo e por cerca de 45% da variância total do portfólio. Geralmente, no caso de um universo dominado pela equidade, o fator que capta a maior variância da carteira é considerado mercado & # 8216; beta & # 8217 ;, e quantifica o grau em que o movimento da ação média está relacionado ao movimento do mercado como um todo. Isso é validado pela observação de que cada estoque no Dow carrega na mesma direção no Componente 1. Outros fatores podem capturar certos setores da indústria, ou sensibilidade a taxas de juros, ou relações de arbitragem, embora, na prática, muitas vezes não é óbvio como vincular um fator latente derivado de PCA para estruturas de agrupamento mais tradicionais.
Conforme discutido acima, é útil pensar nas cargas de fator em cada componente principal como pesos em um & # 8216; principal portfólio & # 8217 ;. De fato, quando (uma transformação de) esses pesos são aplicados aos retornos de segurança originais, podemos produzir os retornos diários para cada portfólio principal, tal como faríamos para qualquer outro portfólio. Se for feito corretamente, a variância da carteira principal será proporcional à variação padronizada desse fator. Por exemplo, o componente principal 1 na nossa análise das ações da Dow 30 explicou cerca de 45% da variação padronizada da carteira total, de modo que, ao projetar os retornos do portfólio principal 1 (ver Figura 3.), os retornos têm uma variação que é 45% da variância da carteira de peso igual das ações da Dow.
Figura 3. Retornos ao portfólio principal 1. vs. retorno de uma carteira igualmente ponderada de ações Dow 30 e um ETF de rastreamento DJIA (DIA)
Fonte de dados: CSI.
Uma vez que as carteiras de fator PCA (ou seja, os principais componentes) são fontes de risco, de maneira definitiva, podemos usá-las para determinar o número de apostas independentes. No entanto, o PCA produz uma matriz de carregamentos que contém o mesmo número de fatores que existem ativos, portanto, não estamos mais adiante. O objetivo é identificar quantos fatores capturam uma parcela estatisticamente significante da variância do portfólio; apenas esses fatores representam verdadeiras apostas independentes.
Guttman (1954) e Kaiser (1960, 1970) afirmam que, para ser significativo, "um fator deve representar pelo menos tanta variância como uma variável individual" (Nunnally e Bernstein, 1994). De acordo com o método Kaiser-Guttman, uma vez que a média de todos os autovalores padronizados é de 1, apenas os fatores com autovalores padronizados superiores a 1 podem ser considerados significativos. Note-se que na Figura 1 adicionamos uma linha horizontal em 1 demarcando o limiar de corte para significância. A partir da inspeção visual, é claro que apenas 3 fatores superam esse limite ao longo do ano passado, então, nesta base, podemos dizer que existem apenas 3 fontes independentes significativas de risco em jogo neste universo de ativos ao longo do período analisado.
Infelizmente, Horn (1965) observou que mesmo as matrizes de correlação geradas aleatoriamente apresentarão o que parece ser fatores significativos, de acordo com o método Kaiser-Guttman, puramente por acaso. Como tal, eles mostraram que o método Kaiser-Guttman sistematicamente supera o número de fatores significativos e propôs que os fatores só deveriam ser considerados significativos se eles explicassem uma maior proporção de variância do que o que poderia ser esperado de chance aleatória.
A Figura 4. mostra o mesmo fator de carga para o Dow 30 como a Figura 1. e uma linha vermelha que descreve a variância média para cada fator derivado de 3000 matrizes de correlação aleatória da mesma dimensão que a matriz da amostra (e formada ao longo de um tempo similar período). Observe que o Componente 1 excede substancialmente o limiar do que seria esperado de matrizes aleatórias. No entanto, os fatores 2 a 30 não excedem o limite, sugerindo que esses fatores não são estatisticamente significativos. Segue-se que, nos últimos 252 dias, o índice Dow Jones de 30 ações representa apenas 1 aposta independente estatisticamente significativa. Em outras palavras, foi quase impossível alcançar uma diversificação significativa da montagem de carteiras ativas de ações da Dow.
Figura 4. Variância padronizada da Análise de Componentes Principais da Média Industrial Dow Jones (barras azuis) e de matrizes de correlação aleatória (linha vermelha) de outubro de 2018 e # 8211; Setembro de 2018.
Fonte de dados: CSI.
Agora que temos uma compreensão geral de como interpretar os resultados da PCA no contexto da análise de portfólio, podemos seguir o núcleo da nossa investigação. Especificamente, nos próximos artigos, examinaremos as fontes de risco independente em portfólios de ações maiores e mais diversificados e determinaremos o quanto esse risco é capturado por um universo muito menor de classes de ativos globais. Talvez surpreendentemente, mostraremos como um universo relativamente pequeno de classes de ativos globais contém a maioria das apostas independentes disponíveis nos mercados globais. Importante, relacionaremos esse fato de volta à Lei Fundamental da Active Management da Grinold & # 8217 para mostrar por que a alocação ativa de ativos pode dominar a seleção de segurança ativa na busca de um melhor desempenho de investimento.
A Figura 5. usa diagramas vetoriais para ilustrar como as forças direcionais de dois ativos, quando mantidas em um portfólio, se combinam para influenciar a volatilidade geral do portfólio, em função da correlação entre os ativos. Considere uma carteira com uma meia unidade do ativo a, com volatilidade e metade da unidade b, com volatilidade. A volatilidade da carteira é a soma ponderada das volatilidades dos ativos individuais em direção à volatilidade, e a direção da volatilidade entre os ativos é capturada pela correlação.
Figura 5. A volatilidade da carteira como uma soma de vetores.
Em 1.a, observamos como as forças de volatilidade se combinam no portfólio quando os ativos estão perfeitamente correlacionados (). Note-se que os dois vetores de volatilidade estão se movendo exatamente na mesma direção, de modo que a volatilidade da carteira é simplesmente a soma ponderada das volatilidades individuais:. Em 1.b observamos como os vetores de volatilidade se combinam quando os ativos não têm correlação (). Nesse caso, os ativos se movem em direções completamente não relacionadas e a volatilidade da carteira é representada pela hipotenusa de um triângulo de ângulo reto. Na verdade, podemos usar o teorema de Pitágoras para resolver a volatilidade do portfólio: portanto, o que resulta em 11,2% (note que outras correlações também funcionarão, mas requerem trigonometria um pouco mais complicada). Observe que, quando as forças de volatilidade não se alinham exatamente na mesma direção, a volatilidade da carteira é inferior à soma das volatilidades dos dois ativos constituintes.
A Figura 1.c e 1.d demonstram como um gerente de portfólio pode escalar a exposição a ativos para alterar o perfil de risco da carteira. Neste caso, ele se desloca para 1,4 unidades de ativos a e 0,6 unidades de ativos b, o que altera substancialmente a volatilidade da carteira. No entanto, mesmo que ele feche ativamente a exposição aos ativos, a correlação entre os ativos permanece constante. Como tal, você pode ver por que, quando se trata de analisar as apostas independentes em um portfólio, não devemos distrair as volatilidades relativas. A correlação é a única característica indelével, que está além do controle dos investidores.
ReSolve Asset Management Inc. ("ReSolve"). está registrado como gestor de fundos de investimento em Ontário e Terra Nova e Labrador, e como gerente de portfólio e revendedor do mercado isento em Ontário, Alberta, Colúmbia Britânica e Terra Nova e Labrador. Nos Estados Unidos ReSolve é registrado com a Comissão de Valores Mobiliários dos Estados Unidos como Conselheiro de Investimento Não-Residente.
Informação prospectiva. O conteúdo deste documento pode conter "informações prospectivas" na acepção do Securities Act (Ontário) e legislação equivalente em outras províncias e territórios. Como essas informações prospectivas envolvem riscos e incertezas, os resultados de desempenho reais podem diferir materialmente de quaisquer expectativas, projeções ou previsões feitas ou implicadas em tais informações prospectivas. Os investidores potenciais são, portanto, advertidos para não depositar confiança indevida nessas declarações prospectivas. Além disso, ao considerar qualquer informação de desempenho anterior aqui contida, os investidores potenciais devem ter em mente que os resultados anteriores não são necessariamente indicativos de resultados futuros, e não pode haver garantia de que resultados comparáveis ​​aos discutidos aqui serão alcançados. O conteúdo deste documento fala a partir da data deste e nem a ReSolve nem qualquer afiliado ou representante dela assume qualquer obrigação de fornecer revisões ou atualizações subseqüentes a qualquer informação histórica ou prospectiva aqui contida para refletir a ocorrência de eventos e / ou mudanças em circunstâncias após A data aqui.
Informações gerais sobre retornos. Os dados de desempenho antes de agosto de 2018 refletem o desempenho das contas administradas pela Dundee Securities Ltd., que utilizou os mesmos decisores, processos, objetivos e estratégias de investimentos, conforme a ReSolve usou desde que se registrou e iniciou operações em agosto de 2018. Registra que Documentar e suportar este desempenho passado estão disponíveis mediante solicitação. O desempenho é expresso em CAD, líquido das taxas de administração aplicáveis. Os retornos indicados de um ano ou mais são anualizados. O desempenho passado não é indicativo de desempenho futuro.
Informações gerais sobre o uso de benchmarks. Os índices listados foram selecionados para fins de comparação de desempenho com benchmarks amplamente conhecidos e abrangentes. O desempenho pode ou não correlacionar-se com nenhum desses índices e não deve ser considerado como um proxy para nenhum desses índices. O Índice Composto S & P / TSX (TR líquido) ("S & P TSX TR") é o índice principal e a principal e ampla medida de mercado para os mercados de ações canadenses. O Índice de Preços de Ações da Standard & Poor's 500 ("S & P 500") é um índice ponderado de capitalização de 500 ações, destinado a ser uma amostra representativa de empresas líderes em indústrias líderes dentro da economia dos EUA.
Informações gerais sobre desempenho hipotético e resultados simulados. Esses resultados são baseados em resultados de desempenho simulados ou hipotéticos que possuem certas limitações inerentes. Ao contrário dos resultados em um registro de desempenho real, esses resultados não representam a negociação real. Além disso, como esses negócios não foram efetivamente executados, esses resultados podem ter compensado excessivamente ou sobre o impacto, se houver, de certos fatores de mercado, como a falta de liquidez. Programas de negociação simulados ou hipotéticos em geral também estão sujeitos ao fato de serem projetados com o benefício de retrospectiva. Não está sendo feita nenhuma representação de que qualquer conta ou fundo gerenciado pela ReSolve será ou provavelmente conseguirá lucros ou perdas semelhantes às exibidas. Os resultados não incluem outros custos de gerenciamento de uma carteira (como taxas de custódia, honorários legais, auditoria, administrativos ou outros honorários profissionais). O conteúdo deste documento não foi revisado ou auditado por um contador independente ou outra empresa independente de testes. Informações adicionais sobre a forma como os gráficos foram calculados estão disponíveis mediante pedido. Qualquer fundo ou conta real que a ReSolve gerencie irá investir em diferentes condições econômicas, durante períodos com diferentes volatilidades e em títulos diferentes dos incorporados nos gráficos de desempenho hipotéticos mostrados. Não há nenhuma representação que qualquer fundo ou conta fará conforme o hipotético ou outros gráficos de desempenho indicam.
Informações gerais sobre o processo de simulação. O modelo sistemático usou dados de preços históricos de Exchange Traded Funds ("ETFs") que representam as classes de ativos subjacentes nas quais ele negocia. Onde os dados da ETF não estavam disponíveis em anos anteriores, os dados do mercado direto foram usados ​​para criar os sinais comerciais. Os resultados hipotéticos mostrados são baseados em modelos e cálculos extensivos que estão disponíveis para qualquer investidor potencial para rever antes de tomar uma decisão de investir.

Ilustração com a estratégia PCA da Infantino.
Suporte matemático poderoso.
O AlgoQuant é apoiado por nossa biblioteca numérica (SuanShu), então os sinais de estratégia de computação se tornam uma tarefa muito simples, e o código normalmente leva apenas algumas linhas. Por exemplo, a estratégia da Infantino calcula seus sinais de compra / venda com base na análise de componentes principais (PCA). Aqui está o código snipplet para o cálculo da matriz D para os retornos redimensionados & # 8220; # 8221; (mencionado nas páginas 25 e 26 no documento):
Prototipagem de Estratégia Rápida.
Com o AlgoQuant, as estratégias de codificação para simulação podem ser feitas com um esforço mínimo. Uma classe de estratégia só precisa implementar uma interface, Estratégia. A simulação no AlgoQuant é orientada para eventos, portanto, uma estratégia só precisa se inscrever nos eventos interessados, como mudanças de preços, execuções de pedidos, etc. Ao implementar os manipuladores de eventos correspondentes, a estratégia é chamada quando os eventos subscritos aconteceram. Aqui está o esqueleto para Infantino2018Strategy, que faz descrições comerciais após atualizações de preços:
Carregamento de dados conveniente.
Os dados de preços históricos de várias fontes (por exemplo, Bloomberg, Yahoo! Finance, Gain Capital, Compustat, etc.) podem ser carregados para simulação. Por exemplo, usamos dados de fim de dia de Yahoo! Finanças em nossa simulação. O seguinte fragmento de código carrega os arquivos de dados em cache no disco rígido ou os baixa automaticamente do Yahoo! Site de Finanças se o cache estiver ausente.
Configuração de Simulação Simples.
O simulador com várias opções pode ser configurado facilmente. Por exemplo, configuramos o simulador para atualizar a estratégia com visualizações sincronizadas das profundidades do produto através disso:
Flexível & amp; Medidas de Desempenho Extendíveis para Análise.
Existem muitas medidas de desempenho disponíveis para que você analise o desempenho de sua estratégia (veja o pacote de desempenho para obter mais detalhes). Você também pode desenvolver seu próprio conjunto de medidas convenientemente.
Análise de sensibilidade paralelizada e simulação de Monte Carlo.
Normalmente, uma estratégia leva alguns parâmetros, e queremos encontrar os melhores para negociar. Além disso, também estamos interessados ​​em quão sensível é o desempenho da estratégia para a mudança desses parâmetros. Com o SensitivityAnalyzer paralelizado em AlgoQuant, você pode encontrar a resposta em parcelas com algumas linhas de código (veja Infantino2018ParamAnalysis):
As simulações em vários parâmetros são executadas em paralelo, utilizando todos os núcleos de CPU disponíveis, de modo que os resultados podem ser obtidos várias vezes mais rápido. Além disso, você também pode executar o MCSimulation com modelos de preços personalizáveis.