Otimização de sistemas de negociação e portfólios pdf

otimização de sistemas de negociação e portfólios PDFs / eBooks.

[resultados com download direto]

Aprendizagem por Reforço para Sistemas de Negociação e.

Sistemas de negociação que superam a estrutura de estoque S & amp; P 500 de traders de sistemas de negociação e de portfólios: ativo único com tamanho de posição discreta.

Gerenciamento de Portfólio utilizando Sistemas de Negociação Artificial.

Gestão de Carteira Utilizando Sistemas de Negociação Artificial Gestão de Carteira Utilizando Sistemas de Negociação Artificial Com base na otimização de carteiras de ações.

Cobertura de Carteiras de Negociação Automatizada Cognitiva por.

Cobertura de Carteiras de Negociação Automatizada Cognitiva por Otimização de Filial e com Limite, Negociação Automatizada e mitigação em sistemas automatizados de negociação de autoaprendizagem.

Otimização de Portfólio ETF - Bloomberg - Negócios.

OTIMIZAÇÃO DE PORTFÓLIO ETF “Os ETFs eram originalmente uma ferramenta de negociação, Ao construir portfólios,

“Software que escreve software” Estocástico, Evolutivo.

Sistemas de Negociação, Sistemas de Negociação de Pares, Carteiras de Sistemas de Negociação, Sistema de Daytrading. A otimização simples de parâmetros não seria suficiente

Efeitos de várias funções de otimização na saída da amostra.

Carteiras de Trading Systems Geneticamente Evoluídas. De fato, uma das outras armadilhas potenciais de qualquer otimização nos sistemas de negociação é o ajuste implícito.

Gerenciamento de Portfólio Utilizando Bases de Sistemas de Negociação Artificial.

Neste capítulo, discuti o desenvolvimento de sistemas de negociação comercial para otimização da carteira de carteiras de ações. Sistemas de Negociação.

Portfolios Vista - Futures Trading Systems pela TradingVisions.

Otimização Walk-Forward: A TradingVisions está muito animada para lançar a série WFO de seus sistemas de negociação automatizados e portfólios ou sistemas e não possui nenhum dos dois.

Uma nova estrutura de negociação algorítmica aplicando o Evolution e.

experimentos desta tese entendem que os portfólios eficientes podem ser avaliados. 2.4.4 Sistemas de negociação de Sistemas de Otimização de Portfólio são avaliados.

FUNÇÕES DE DESEMPENHO E REFORÇO DE APRENDIZAGEM PARA NEGOCIAÇÃO.

FUNÇÕES DE DESEMPENHO E APRENDIZAGEM DE REFORÇO PARA SISTEMAS DE NEGOCIAÇÃO E PORTFÓLIOS Resumo Propomos treinar sistemas de negociação e portfólios por.

Otimização de Sistemas de Negociação e Carteiras - IEEE Xplore.

Propomos o treinamento de sistemas de negociação e portfólios, otimizando o sistema de decisão de funções objetivo é bastante diferente da otimização simples supervisionada?

Funções de Performance e Aprendizagem de Reforço para Negociação.

Propomos o treinamento de sistemas e portfólios de negociação, otimizando as funções objetivas. 2.3 Otimização de operadores e portfólios por meio de reforços recorrentes?

Aprendizado de Reforço para Sistemas e Portfólios de Negociação.

de Sistemas de Negociação e. Carteiras Traders: Único Ativo com Discreto. A otimização forçada de tamanho de posição é feita para usar um sistema comercial que tenha?

Aprendizagem por Reforço para Negociação.

Propomos o treinamento de sistemas de negociação, otimizando os objetivos financeiros - Moody, J. & amp; Wu, L. (1997), Otimização de sistemas de negociação e carteiras, em Y. Abu-.

A avaliação e otimização de estratégias de negociação - Robert P.

Rev. ed. de: Projeto, teste e otimização de sistemas de negociação. c1992. Inclui índice. ISBN 978-0-470-12801-5 (pano). 1. Investimentos - Processamento de dados. 2

Algoritmo Negociação usando Q-Learning e Reforço Recorrente.

a propriedade recursiva da otimização dinâmica, enquanto o algoritmo RRL é mais Aprendizado de reforço para sistemas de negociação e portfólios: Imediato versus futuro?

Um sistema de negociação estendido para melhorar o gerenciamento de portfólio.

que combina o ASLD com um esquema de otimização de portfólios para obter um equilíbrio Os sistemas de negociação amplamente utilizados consistem em dois módulos: módulo de previsão seguido de trabalhos para traders e portfólios, J. Comput. Intell. Finanças, vol. 5, não.

Um sistema de negociação de carteira adaptável: Uma otimização de portfólio de risco-retorno usando aprendizagem de reforço recorrente com redução máxima esperada.

Destaques.

Um algoritmo de negociação de aprendizado de reforço com risco de redução esperado é proposto.

O rebaixamento máximo esperado é mostrado para melhorar a geração de sinal do portfólio.

A eficácia do método é validada usando diferentes custos de transação.

Recomenda-se um sistema adaptativo de reequilíbrio de portfólios com reciclagem automatizada.

A teoria de controle dinâmico tem sido usada há muito tempo na solução de problemas de alocação ótima de ativos, e vários sistemas de decisão de negociação baseados em métodos de aprendizado de reforço foram aplicados na alocação de ativos e no rebalanceamento de portfólio. Neste artigo, nós estendemos o trabalho existente na aprendizagem de reforço recorrente (RRL) e construímos uma alocação ótima de carteira de pesos variáveis ​​sob uma medida de risco de queda coerente, o rebaixamento máximo esperado, E (MDD). Em particular, propomos um método recorrente de aprendizado por reforço, com uma função objetivo de desempenho coerente e ajustada ao risco, o índice Calmar, para obter sinais de compra e venda e pesos de alocação de ativos. Usando uma carteira composta pelos fundos negociados em bolsa mais freqüentemente negociados, mostramos que a função objetiva baseada no risco máximo de saque esperado produz um desempenho de retorno superior comparado às funções objetivas de RRL anteriormente propostas (isto é, o índice de Sharpe e a taxa de Sterling), e essa variável O peso das carteiras RRL longas / curtas supera o peso das carteiras RRL longas / curtas, sob diferentes cenários de custo de transação. Além disso, propomos um sistema de decisão de rebalanceamento de RRL com base no risco E (MDD) adaptável com um mecanismo de reporte de custo de transação e de parada de perda de mercado, e mostramos que o sistema de negociação de portfólio melhor e supera os benchmarks de hedge de fundo consistentemente .

Escolha uma opção para localizar / acessar este artigo:

Verifique se você tem acesso através de suas credenciais de login ou de sua instituição.

Sistemas de negociação: solução de problemas e otimização.

Mesmo depois de projetar e construir com sucesso um sistema comercial, um comerciante pode achar que seu sistema é imperfeito. Pode haver alguns problemas, como um evento que continua gerando perdas; ou talvez as regras sejam muito amplas e precisem ser otimizadas. Qual é a maneira mais fácil de resolver o problema? Quão eficaz é a otimização? Esta seção mostrará como solucionar problemas e otimizar seu sistema de negociação para maximizar os lucros e minimizar as perdas.

A resolução de problemas é um aspecto muito importante do desenvolvimento do sistema. Um sistema de negociação decente será lucrativo na maioria das condições de mercado, mas se ocasionar grandes perdas, você pode trabalhar para identificar e resolver o problema. Aqui estão quatro etapas fáceis:

Gráfico padrão ou série de preços - Spike nos preços. Volume - volume grande inicialmente e volume baixo depois disso. Bid / Ask spread - Spike no preço em baixo volume, muitas vezes indica um spread grande. Margem (se usada). Estas são algumas das áreas em que os problemas podem ocorrer, o que podemos ver analisando o gráfico abaixo. Observe os picos de preço em volume baixo pela seta verde. Observe também o grande volume (próximo à seta azul) seguido por baixo volume a partir de então. Se nada disso for o culpado, há outros fatores que podem ser analisados, como tamanhos de bloco e padrões gráficos avançados.

2. Avalie o problema - Use as informações coletadas para determinar o que exatamente causou o mau funcionamento do sistema ou a geração de uma perda. Isso geralmente é feito usando o bom senso ou analisando os logs de transação (fornecidos pelo seu corretor). Aqui estão alguns exemplos de como algumas condições dos quatro fatores listados acima podem ser a razão para um problema identificado:

Gráfico padrão ou série de preços - O sistema não é capaz de vender durante quedas acentuadas ou comprar durante subidas íngremes. Talvez o sistema não tenha tempo suficiente para comprar ou vender.

3. Considere as alternativas - Simplesmente tente algumas soluções para os problemas que você identificou. Considere as seguintes alternativas correspondentes aos problemas acima.

Padrão gráfico ou série de preços - Uma alternativa é simplesmente dizer ao sistema para esperar até que o preço se estabilize antes de comprar. Isso pode ser feito usando as diferenças entre os preços anteriores e o preço atual para criar uma regra.

4. Implementar uma solução - Finalmente, precisamos aplicar a solução e ver como ela funciona. O comércio de papel ou o teste de retorno novamente antes da negociação ao vivo geralmente é uma boa ideia depois de aplicar uma solução, porque às vezes as soluções têm conseqüências não intencionais. Por exemplo, regras adicionais podem limitar esses dias de inatividade, mas também diminuir os lucros gerais (devido a oportunidades perdidas).

Otimização significa simplesmente encontrar os melhores conjuntos de parâmetros para um determinado mercado. Esse processo pode melhorar marginalmente os resultados. No entanto, ela também carrega muitos riscos porque sua premissa subjacente é que o desempenho passado é indicativo de movimentos futuros de preços. A otimização pode ser realizada alterando os valores do parâmetro que você deseja otimizar e, depois, voltando a testar essas alterações. Tenha em mente que os outros parâmetros devem permanecer constantes para que os efeitos das mudanças sejam determinados. Depois de encontrar o valor que produz o maior desempenho no teste de retorno, implemente-o no sistema de negociação.

A otimização freqüentemente exagera os resultados. Isso ocorre porque os parâmetros são tão específicos e não universais que qualquer alteração no mercado (isto é, o futuro) pode causar instabilidade.

Como regra geral, a otimização deve definir apenas configurações amplas para os parâmetros, em vez de definir regras específicas - mesmo que tenha sido bem-sucedida no backtesting e no comércio de papéis.

A solução de problemas é crucial para que seu sistema funcione da maneira que você quer. É importante identificar quaisquer problemas observando as ocorrências em que ocorreram e, em seguida, avaliando como determinadas condições de vários fatores - como padrão de preço, volume, spread de compra / venda e margem - podem ter causado o problema.

A Avaliação e Otimização de Estratégias de Negociação, 2ª Edição.

Descrição.

O especialista em sistemas de negociação Robert Pardo está de volta, e em A avaliação e otimização de estratégias de negociação, uma edição completamente revisada e atualizada de seu texto clássico Design, teste e otimização de sistemas de negociação, ele revela como ele aperfeiçoou a programação e teste de negociação sistemas usando uma bateria bem sucedida de suas próprias técnicas comprovadas pelo tempo. Com este livro, Pardo fornece informações importantes para os leitores, desde a concepção de estratégias de negociação viáveis ​​até a mensuração de questões como lucro e risco. Escrito em um estilo simples e acessível, este guia detalhado apresenta aos traders uma maneira de desenvolver e verificar sua estratégia de negociação, não importa de que forma eles estejam atualmente usando "stochastics", médias móveis, padrões gráficos, RSI ou métodos de breakout. Se um comerciante está buscando aumentar seu lucro ou apenas começando em testes, a avaliação e otimização de estratégias de negociação oferece instrução prática e aconselhamento especializado sobre o desenvolvimento, avaliação e aplicação de vencedores mecânicos sistemas de negociação.

Sobre o autor.

Permissões.

Solicitar permissão para reutilizar o conteúdo deste site.

Capítulo 1. Sobre Estratégias de Negociação.

Por que este livro foi escrito.

Quem vai se beneficiar deste livro?

Os objetivos deste livro.

A Lay da Terra

Capítulo 2. A Troca Sistemática "" Edge "".

Levantando o bar.

Risco e recompensa.

O perfil de desempenho.

Os benefícios da simulação histórica.

A Probabilidade de Lucro Futuro.

O perfil de desempenho.

Uma medida do desempenho de negociação em tempo real.

Os benefícios da otimização.

Os benefícios da análise Walk-Forward.

As vantagens de uma compreensão completa.

Capítulo 3. O Processo de Desenvolvimento da Estratégia de Negociação.

Duas abordagens filosóficas para o desenvolvimento de estratégias.

A abordagem científica.

O caminho do desenvolvimento empírico.

Uma Visão Geral do Processo de Design da Estratégia de Negociação.

Etapa 1: formule a estratégia de negociação.

Etapa 2: traduza as regras em um formulário definitivo.

Etapa 3: teste preliminar.

Etapa 4: otimize a estratégia de negociação.

Passo 5: a Análise do Andar a Seguir & # 8482 ;.

Etapa 6: negocie o sistema.

Etapa 7: Avalie o desempenho em tempo real.

Etapa 8: Melhorando o sistema.

Capítulo 4. A Plataforma de Desenvolvimento de Estratégia.

A Linguagem de Scripts.

A função objetiva.

Caminhar em frente Análise & # 8482;.

Capítulo 5. Os Elementos do Design de Estratégia.

Os três principais componentes de uma estratégia.

Uma visão geral de uma estratégia de negociação típica.

Um comércio é igual a uma entrada e uma saída.

A gestão de risco.

A gestão do lucro.

O Trailing Stop.

Capítulo 6. A Simulação Histórica.

Os relatórios essenciais

O resumo do desempenho.

A curva de capital.

Desempenho por Período.

A importância da precisão.

Precipitação de preço e comércio.

Abrindo Gap Slippage.

Abrindo e fechando o escorregamento do intervalo.

Slippage devido ao tamanho.

O significado do deslizamento.

Principais eventos e datas.

O contrato contínuo.

O contrato perpétuo.

Contratos Contínuos Ajustados.

O tamanho da janela de teste.

Tamanho da amostra e erro estatístico.

Quantos comércios?

Graus de liberdade.

Freqüência de Negociação.

Tipos de Mercados.

O mercado de touro.

O mercado de urso.

O mercado cíclico.

O mercado congestionado.

O ciclo de vida de uma estratégia de negociação.

Tamanho da janela e vida útil do modelo.

Capítulo 7. Formulação e Especificação.

Formule a estratégia de negociação.

Especificação & # 8211; "Traduzir" "A idéia em uma estratégia testável.

Faça uma idéia vaga precisa.

Capítulo 8. Teste Preliminar.

Verificação de cálculos e negócios.

O teste multi-mercado e multi-período.

Selecionando o cesto.

Determinando o comprimento do período de teste.

Segmentando os dados.

Os resultados do teste.

Capítulo 9. Busca e Julgamento.

A pesquisa de grade.

A pesquisa de etapas priorizadas.

Algoritmos de Pesquisa de Escalada.

Multi-Point Hill Climbing Search.

Métodos de pesquisa avançada.

Otimização de enxame de particulas.

Problemas gerais com métodos de pesquisa.

A função objetiva.

Uma revisão de uma variedade de métodos de avaliação.

Vários tipos de avaliação.

Capítulo 10. Otimização.

Otimização contra Overfitting.

Uma otimização simples.

O quadro de otimização.

A amostra histórica.

A função objetiva.

A avaliação de otimização.

Uma Otimização Multi-Mercado e Multi-Período.

A avaliação da otimização.

A estratégia de negociação robusta.

A otimização robusta.

O perfil de otimização estatisticamente significativo.

A distribuição do perfil de otimização.

A forma do perfil de otimização.

Como a estratégia responde à otimização?

A estratégia merece mais desenvolvimento?

Capítulo 11. Análise Walk-Forward.

A estratégia de negociação é robusta?

Robustez e eficiência de avanço.

A cura para overfitting.

Uma medida mais confiável de risco e retorno.

Avaliando o impacto das mudanças do mercado.

O melhor conjunto de parâmetros para negociação.

A Teoria dos Dados Relevantes.

As Variedades de Condições de Mercado.

O Papel da Caminhada para a Frente.

Configurando um Walk-Forward.

Um exemplo de um teste de caminhada.

A análise Walk-Forward.

O objetivo da análise Walk-Forward.

Um exemplo de uma análise Walk-Forward.

A estratégia é robusta?

Qual taxa de lucro devemos esperar?

Qual é o risco?

Análise Walk-Forward e Portfólio.

Capítulo 12. A Avaliação do Desempenho.

A estratégia de negociação como um investimento.

A dimensão do risco

Compare a estratégia com as alternativas.

Drawdown Máximo e Risco de Negociação.

Drawdown máximo no contexto.

Desembolso Máximo e o Negociador.

Corrida máxima e o comerciante.

Negociação de Capital e Risco.

Retorno ajustado ao risco.

Recompensar a taxa de risco.

Padrões de Lucro e Perda.

Capítulo 13. As Muitas Faces do Overfitting.

O que é overfitting?

O abuso da retrospectiva.

O caso do modelo de previsão de superposição.

O Caso do Modelo de Negociação de Overfit.

Os sintomas de um modelo de negociação com overfit.

As causas do overfitting

Graus de liberdade.

Medindo os graus de liberdade.

Graus de Liberdade, Tamanho da Amostra e Sobrecarga de Inicialização.

Tamanho da amostra de negociação.

Erro de otimização nº 1 e nº 8211; Sobre a parametrização.

Otimização de portfólio usando otimização de enxame de partículas.

Meu tópico de pesquisa para este ano foi a Otimização do Portfólio de Trade de Moedas usando Otimização de Enxame de Partículas (PSO). Neste artigo, apresentarei a otimização do portfólio e explico por que isso é importante. Em segundo lugar, demonstrarei como a otimização de enxame de partículas pode ser aplicada à otimização de portfólio. Em terceiro lugar, vou explicar as carteiras de carry trade e depois concluir com um resumo das descobertas da minha pesquisa. Um trabalho de conferência da minha pesquisa foi co-autoria do professor Andries Engelbrecht, da Sra. Katherine Malan e de mim.

Otimização de Portfólio.

Um portfólio consiste em ativos e capital de investimento. Otimização de portfólio envolve decidir quanto capital deve ser investido em cada ativo. Isso se torna complexo à medida que restrições como requisitos de diversificação, exposição mínima e máxima a ativos, custos de transação e custos de câmbio são introduzidos. Lidar com restrições pode ser difícil com técnicas estatísticas, de modo que cientistas da computação desenvolveram algoritmos inteligentes de busca que podem ser usados ​​para otimizar portfólios. Eu usei o algoritmo de otimização de enxame de partículas (PSO).

A otimização de portfólios funciona prevendo o risco esperado e o retorno de cada ativo no portfólio. O algoritmo aceita essas previsões como entradas e determina quanto capital deve ser investido em cada ativo, de modo que o retorno ajustado ao risco da carteira seja maximizado e as restrições sejam satisfeitas. As previsões de risco e retorno esperados para cada ativo precisam ser tão precisas quanto possível para que o algoritmo tenha um bom desempenho. Várias abordagens existem e nesta pesquisa eu olhei para três comumente usados.

Retornos normalmente distribuídos - nessa abordagem, uma distribuição de valores de ativos históricos é criada e amostrada aleatoriamente para obter um valor futuro para cada ativo. Essa abordagem pressupõe que os valores históricos e futuros sejam normalmente distribuídos. Os retornos seguem um movimento Browniano - nessa abordagem, um passeio aleatório para cada ativo é gerado ao longo do tempo representando retornos diários. A partir disso, o retorno global da carteira é calculado. Essa abordagem pressupõe que retornos futuros seguem uma caminhada aleatória. Os retornos seguem um movimento browniano geométrico - nessa abordagem, uma caminhada aleatória é novamente gerada, mas é dimensionada de acordo com uma variância diária e desvio do mercado a longo prazo. Essa abordagem pressupõe que retornos futuros seguem uma escala aleatória escalonada.

Na minha pesquisa, descobri que a terceira abordagem era a mais precisa. Eu recomendaria que os leitores interessados ​​em desenvolver seus próprios otimizadores de portfólio também tentem usar redes neurais recorrentes para prever o risco esperado e o retorno de cada ativo. As redes neurais recorrentes capturam as propriedades temporais dos dados e, portanto, são adequadas para identificar tendências. Além disso, usando uma rede neural recorrente, é possível usar indicadores financeiros para tentar prever o mercado. As previsões não precisam ser completamente precisas, elas simplesmente precisam ser mais precisas do que outras abordagens de previsão para serem eficazes.

Otimização de Enxame de Partículas (PSO)

O PSO é um algoritmo de busca metaheurística baseado na população, derivado do comportamento social de aves migratórias. O PSO foi usado para encontrar soluções para problemas de otimização muito complexos. Ao dividir o PSO em partes, você pode ver quão simples e eficiente é o algoritmo. População baseada significa que o algoritmo de busca mantém uma população de soluções para o problema de otimização. Este termo é emprestado de algoritmos genéticos populares. Em uma PSO, nos referimos a essa população como um enxame. Metaheurísticas são procedimentos para comparar diferentes soluções para o mesmo problema de otimização. Eles permitem que o algoritmo selecione boas soluções para fora do enxame. A heurística é chamada de funções objetivo do algoritmo denotado como f ().

Um vídeo do comportamento das aves que inspirou o PSO.

No PSO, cada partícula no enxame é representada como um vetor. No contexto da otimização de portfólio, este é um vetor de pesos que representa a quantidade de capital que cada ativo é alocado. O vetor se traduz em uma posição no espaço de pesquisa multidimensional. Cada partícula também se lembra de qual foi a melhor posição histórica pessoal. Para cada iteração do PSO, a melhor posição global é encontrada. Esta é a melhor posição pessoal melhor do enxame. Uma vez que a melhor posição global tenha sido encontrada, cada partícula é movida para mais perto de sua melhor posição pessoal e da melhor posição global. Quando executado em muitas iterações, esse processo produz uma boa solução para o problema, porque as partículas convergem em uma solução quase ótima.

Diagrama mostrando como cada partícula na posição do enxame é atualizada em relação às melhores posições globais (azul) e pessoal (vermelho) pelo algoritmo de otimização de enxame de partículas.

O desempenho do PSO é afetado pelo trade-off da exploração de exploração. A exploração descreve a capacidade do PSO de explorar diferentes regiões do espaço de pesquisa. A exploração descreve a capacidade do PSO de concentrar a pesquisa em uma região promissora do espaço de pesquisa. Para aprimorar as habilidades de exploração e exploração do PSO, os seguintes aprimoramentos de algoritmos foram aplicados:

Reinicialização aleatória de partículas convergentes - a exploração foi melhorada pela reinicialização de partículas quando convergiram para a melhor partícula global. A convergência foi medida usando uma função de similaridade entre as duas partículas (vetores).

Se uma partícula converge próximo à melhor partícula global, mas é menos adequada que a melhor partícula global, ela é aleatoriamente reinicializada em algum lugar no espaço de busca. Isso melhora a capacidade de exploração do PSO.

A mutação seletiva na melhor partícula global - a exploração foi melhorada pela inicialização de um vizinho próximo à melhor partícula global. Se o vizinho fosse melhor que a melhor partícula global, a melhor partícula global seria substituída pelo vizinho.

Para cada iteração do algoritmo, os vizinhos são criados perto da melhor partícula global. Se algum desses vizinhos for melhor que a melhor partícula global, a melhor partícula global será substituída.

Além disso, o desempenho de tempo de execução do algoritmo foi significativamente melhorado, manipulando cada partícula em um thread independente e aplicando memoization para funções comumente usadas. Memoização é uma técnica de otimização usada para acelerar o desempenho de programas de computador. Para mais informações visite en. wikipedia / wiki / Memoization.

Minha implementação foi feita usando Java, mas para clareza e integridade incluí uma implementação Python de um PSO básico no final deste artigo.

Otimização de portfólio usando otimização de enxame de partículas.

O algoritmo PSO pode ser usado para otimizar um portfólio. No contexto da otimização de portfólio, cada partícula no enxame representa uma alocação potencial de capital entre os ativos no portfólio. A adequação relativa desses portfólios pode ser determinada usando uma das muitas funções de utilidade financeira que equilibram risco e retorno esperado. Eu usei o índice de Sharpe, pois isso se tornou um padrão aceito pela indústria para avaliar o desempenho do portfólio. Considere a seguinte ilustração do PSO aplicado a uma carteira composta por três ativos,

Ilustração de otimização de portfólio usando otimização de enxame de partículas (PSO). A partícula cinza está sendo atualizada. A partícula vermelha é a melhor posição pessoal da partícula cinza e a partícula azul é a melhor posição global.

A partícula cinza se traduz no vetor (0,5, 0,2, 0,3), o que significa que 50% do capital da carteira é alocado para o ativo um, 20% para o ativo dois e 30% para o ativo três. O índice de Sharpe esperado para essa alocação é de 0,38, o que é menor que a melhor posição pessoal (partícula vermelha) e a melhor posição global (partícula azul). Como tal, a posição da partícula cinzenta é atualizada de forma a estar mais próxima das melhores partículas globais e pessoais.

Ilustração de otimização de portfólio usando otimização de enxame de partículas (PSO). A partícula cinza é atualizada de modo a ficar mais próxima do melhor global e do melhor pessoal. O vetor resultante é melhor do que era antes.

A partícula cinza se moveu e agora se traduz no vetor (0,3, 0,3, 0,4), que tem uma relação esperada de Sharpe de 0,48. Este valor é maior do que a melhor posição pessoal anterior, de modo que a melhor posição pessoal (partícula vermelha) é atualizada para a posição atual.

Ilustração de otimização de portfólio usando otimização de enxame de partículas (PSO). A melhor posição pessoal (partícula vermelha) foi atualizada para ser a posição atual da partícula.

O verdadeiro desafio de usar uma otimização de enxame de partículas é garantir que as restrições de otimização do portfólio sejam satisfeitas. Como mencionado anteriormente, existem muitas restrições. As restrições mais comuns são, em primeiro lugar, que não mais e não menos que 100% do capital disponível seja alocado entre os ativos (ou seja, o vetor de peso deve totalizar 1.0). Em segundo lugar, as alocações negativas aos ativos não são permitidas. E, por fim, esse capital deve ser alocado a pelo menos tantos ativos no portfólio. O último sendo uma restrição de cardinalidade. Duas técnicas comuns são usadas para garantir que as partículas satisfaçam as restrições,

Repare as partículas que não satisfazem as restrições - para cada partícula que não satisfaz as restrições, aplique um conjunto de regras para alterar a posição da partícula de tal forma que ela funcione. Penalize a adequação das partículas que não satisfazem as restrições - para cada partícula que não satisfaça as restrições, penalize a proporção de Sharpe dessa partícula.

Para minha pesquisa, consertei partículas que satisfizeram o conjunto de restrições. Eu usei a segunda técnica para simular o impacto dos custos de transação no desempenho do portfólio. Para obter mais informações sobre essas abordagens de tratamento de restrições, entre em contato comigo ou solicite uma cópia no final deste artigo, se desejar uma cópia.

Carry portfólios comerciais.

Para minha pesquisa, apliquei essa técnica em uma carteira de carry trade. Um portfólio de carry trade consiste em múltiplos carry trades. Parafraseando Investopedia, um carry trade é uma estratégia de negociação em que um comerciante vende uma moeda com uma taxa de juros relativamente baixa e usa os fundos para comprar uma moeda diferente, gerando uma taxa de juros mais alta. Um operador que usa essa estratégia tenta capturar a diferença entre as taxas chamadas de diferencial de taxa de juros.

Os carry trades têm sido objeto de muita pesquisa porque violam a condição de paridade da taxa de juros descoberta (UIP). A UIP afirma que os diferenciais das taxas de juros devem ser compensados ​​pelas flutuações nas taxas de câmbio no longo prazo. Sob essa condição, as transações de carry não são, teoricamente, lucrativas, no entanto, as carry trades geraram lucros relativamente consistentes por mais de uma década, embora com risco de ganhos ou perdas cambiais. Considere o seguinte exemplo hipotético de um comerciante que entra em um carry trade entre o iene japonês (¥) e o dólar americano ($)

Um trader alavancou ¥ 100.000 para emprestar ¥ 900.000 de um credor japonês a uma taxa de juros fixa de 0,10%. A taxa de câmbio é de ¥ 1 a 0,01 $ (ou 1 $ a ¥ 100), então o especulador converte seu ¥ 1.000.000 em 10.000 $. O especulador então compra US $ 10.000 de títulos do Tesouro dos EUA de um ano que pagam aproximadamente 5,50% ao ano. No final do ano, o especulador deve pagar os juros de ¥ 1.000.000 ao credor japonês, que é de ¥ 1.000. O especulador fez 550 $ de juros de seu investimento no Tesouro dos EUA. Mas no ano passado o dólar americano enfraqueceu ligeiramente e a taxa de câmbio agora é de 1 a 90 ¥ (ou ¥ 1 a 0,0111 $). Então o especulador converte seus 550 $ em 49.500 ienes. Ele então paga de volta o ¥ 1000 e fica com um lucro de ¥ 48.500. Este é um retorno de investimento de 4,85%, que é inferior ao retorno esperado de 5,4% (o diferencial de taxa de juros de 5,50% - 0,10%), devido à perda cambial. No entanto, desde o especulador só tinha ¥ 100.000 para começar com o seu retorno real sobre o investimento é de 48,5%.

Ao diversificar o investimento em várias moedas, o risco de perdas cambiais pode ser mitigado, mas não eliminado. Portanto, as carteiras de carry trades são inerentemente menos arriscadas do que as carry trades individuais. O objetivo da otimização da carteira no contexto de uma carteira de carry trade é, então, mitigar ainda mais o risco de perdas cambiais, melhorando ao mesmo tempo o retorno sobre o investimento realizado pela carteira. Considere a seguinte ilustração,

Carteira de Carry Trade entre o iene japonês, o dólar norte-americano, o Rand sul-africano e o real brasileiro. O objetivo da otimização de portfólio é determinar quanto capital deve ser alocado a cada negociação para otimizar os retornos ajustados ao risco.

Em minha pesquisa, usei um algoritmo de otimização de enxame de partículas para determinar uma alocação ótima de capital de investimento entre um conjunto de carry trades. A carteira de carry trade na minha pesquisa consistia em vinte e duas moedas diferentes, cada uma financiada pelo iene japonês (¥). As moedas incluíam o Dólar Australiano, Real Brasileiro, Dólar Canadense, Franco Suíço, Yuan Chinês, Coroa Dinamarquesa, Euro, Grande Libra Esterlina, Rupia Indonésia, Novo Shekel Israelita, Rúpia Indiana, Peso Mexicano, Ringgit Malaio, Coroa Norueguesa, Dólar da Nova Zelândia , Peso Filipino, Rublo Russo, Coroa Sueca, Baht Tailandês, Lira Turca e Dólar Unidos.

Resumo dos resultados da pesquisa.

A carteira de carry trade otimizada foi testada novamente de 2000 a 2012. Os resultados são calculados em média em 30 execuções independentes para alcançar relevância estatística. Os resultados também são comparados com cinco técnicas comuns de alocação de carteira, incluindo: uma carteira de carry carry igualmente ponderada, uma carteira de carry trade ponderada aleatoriamente, uma carteira de carry trade ponderada em uma escala exponencial, uma carteira de carry trade ponderada proporcionalmente aos retornos esperados e carteira de negociação ponderada proporcionalmente aos retornos esperados escalonados. Para obter mais detalhes e uma análise detalhada, entre em contato comigo ou solicite uma cópia no final deste artigo, se desejar uma cópia.

Conclusão.

A otimização do portfólio usando o algoritmo de otimização de enxame de partículas melhorou significativamente o desempenho da carteira de carry trade. Uma análise detalhada dos resultados revelou que a carteira otimizada gerou retornos positivos superiores quando comparada aos benchmarks. Ao longo do período de doze anos, esta ligeira vantagem estatística atingiu pouco mais de 400% de retorno adicional. O índice de Sortino da carteira de carry trade com pesos proporcionais aos retornos esperados escalonados dos ativos e a relação de Sortino da carteira otimizada de enxames de partículas foram semelhantes. Isso implica que os retornos superiores não são atribuídos a um prêmio de risco. Quando comparado com os outros benchmarks, o portfólio otimizado por enxame de partículas apresentou melhor desempenho em quase todos os principais indicadores de desempenho. Em conclusão, a otimização de portfólio é uma atividade importante para os gerentes de portfólio e o algoritmo de otimização de enxame de partículas funciona bem para problemas complexos de otimização de portfólio envolvendo restrições.

Apêndice B: Implementação Python PSO.

História anterior

Arquitetura do Sistema de Negociação Algorítmica.

Próxima história.

Modelos econômicos computacionais baseados em agentes.

Obrigado por este post. Excelente cobertura do tema. Muito informativo!

Oi Pawel, obrigada pelo elogio. Estou ansioso para dar uma olhada no seu próximo livro sobre Otimização de Portfólio. Mantenha o bom trabalho!

22 de dezembro de 2014.

Eu também sou um quant e comecei a explorar o campo da IA. Seu blog é muito informativo e útil. Eu gostaria muito de ler o artigo completo como mencionado acima. Por favor, compartilhe uma cópia se você puder e obrigar.

22 de dezembro de 2014.

Oi Radhika, obrigada pelas suas amáveis ​​palavras. Eu respondi a você via e-mail 🙂

Eu estou fazendo minha tese de Mestrado em PSO. Eu gostaria de ter uma cópia do seu ótimo trabalho. Agradeço antecipadamente.

Apenas como um FYI para usuários R, esse algoritmo existe pré-empacotado no pacote PortfolioAnalytics do grupo R / Finance. Há também o pacote pso que implementa o algoritmo fora do PortfA.

Obrigado Ilya, eu também atualizarei o algoritmo acima algum dia, já que ele não é muito Pythonico.

3 de setembro de 2015.

É possível obter cópia do seu trabalho? Eu gostaria de aplicar essa técnica.

para os resultados da cesta de estratégias de negociação e comparar com outros métodos como CLA ou média-variância.

5 de setembro de 2015.

Eu acredito que quando usando python 2 é um pequeno bug no seu código. 1/252 termina com 0 e deve ser substituído por 1. / 252 na função run.

Envie um comentário.

Cancelar resposta.

Siga Turing Finance.

Turing Finance Mailing List.

Amigos da Turing Finance.

A Quantocracia é o melhor agregador de blogs de finanças quantitativas com links para novas análises publicadas todos os dias.

NMRQL é o fundo de hedge quantitativo do qual faço parte. Usamos o aprendizado de máquina para tentar vencer o mercado.

Funções de desempenho e aprendizado de reforço para sistemas de negociação e portfólios.

John Moody,

Lizhong Wu,

Oregon Graduate Institute of Science and Technology, EUA Procurar mais artigos deste autor.

Yuansong Liao,

Oregon Graduate Institute of Science and Technology, EUA Procurar mais artigos deste autor.

Matthew Saffell.

Oregon Graduate Institute of Science and Technology, EUA Procurar mais artigos deste autor.

Primeira publicação: setembro de 1998 Histórico de publicação completo DOI: 10.1002 / (SICI) 1099-131X (1998090) 17: 5/6 & lt; 441 :: AUX-FOR707 & gt; 3.0.CO; 2- # Ver / guardar citações Citado por (CrossRef) : 16 artigos Check for updates.

Propomos o treinamento de sistemas e carteiras de negociação, otimizando as funções objetivas que medem diretamente o desempenho de operações e investimentos. Em vez de basear um sistema de negociação em previsões ou treinamento por meio de um algoritmo de aprendizado supervisionado usando dados de negociação rotulados, treinamos nossos sistemas usando algoritmos de aprendizado de reforço recorrente (RRL). As funções de desempenho que consideramos para o aprendizado por reforço são lucro ou riqueza, utilidade econômica, o índice de Sharpe e nossa proporção proposta de Sharpe. Os sistemas de negociação e gestão de carteiras exigem decisões prévias como input, a fim de considerar adequadamente os efeitos dos custos de transação, impacto de mercado e impostos. Essa dependência temporal do estado do sistema requer o uso de versões de reforço de algoritmos de aprendizado recorrente padrão. Apresentamos resultados empíricos em experimentos controlados que demonstram a eficácia de alguns de nossos métodos para otimizar sistemas de negociação e portfólios. Para um trader long / short, descobrimos que maximizar o índice diferencial de Sharpe produz resultados mais consistentes do que maximizar lucros, e que ambos os métodos superam um sistema de negociação baseado em previsões que minimizam o MSE. Descobrimos que os traders de portfólio treinados para maximizar o índice diferencial de Sharpe obtêm melhores retornos ajustados ao risco do que aqueles treinados para maximizar o lucro. Por fim, fornecemos resultados de simulação para um sistema de alocação de ativos S & amp; P 500 / TBill que demonstram a presença de previsibilidade fora da amostra no índice de ações S & P 500 mensais para o período de 25 anos de 1970 a 1994. Copyright & copy; 1998 John Wiley & amp; Filhos, Ltd.

Informações sobre o artigo.

Formato disponível.

Direitos autorais & copy; 1998 John Wiley & amp; Filhos, Ltd.

sistemas de negociação; Alocação de ativos; otimização de portfólio; aprendizagem de reforço; aprendizagem de reforço recorrente; programaçao dinamica; aprendizagem online; atualização recursiva; Utilidade Bernoulli; relação diferencial de Sharpe; custos de transação; dependência do estado; funções de desempenho; recorrência.

Histórico de Publicações.

Emissão online: 4 de dezembro de 1998 Versão do registro online: 4 de dezembro de 1998.

Sistemas de Predição Não Linear e DARPA. Número da concessão: DAAH01-96-C-R026.

Conteúdo Relacionado.

Artigos relacionados ao que você está vendo.

Citando Literatura.

Número de vezes citadas: 16.

1 Yue Deng, Bao Feng, Youyong Kong, Zhiquan Ren, Qionghai Dai, Aprendizado de Reforço Direto Profundo para Representação e Negociação de Sinal Financeiro, Transações IEEE em Redes Neurais e Sistemas de Aprendizado, 2017, 28, 3, 653 CrossRef 2 Jin Zhang, Dietmar Maringer Utilizando um Algoritmo Genético para Aprimorar Aprendizado de Reforço Recorrente para Equity Trading, Economia Computacional, 2016, 47, 4, 551 CrossRef 3 Seleção de Portfólio Online, 2015, 193 CrossRef 4 Bin Li, Steven CH Hoi, Seleção de Portfólio Online, ACM Computing Surveys, 2014, 46, 3, 1 CrossRef 5 Chai Quek, Zaiyi Guo, Douglas L. Maskell, Teoria Contemporânea e Abordagens Pragmáticas na Utilização da Computação Difusa, 2013, 87 CrossRef 6 Emmanuel Buabin, Teoria dos Diagramas para Pesquisa e Gestão Operacional, 2013, 295 CrossRef 7 Bin Li, Peilin Zhao, Steven CH Hoi, Vivekan e Gopalkrishnan, PAMR: estratégia de reversão à média agressiva passiva para seleção de portfólio, Machine Learning, 2012, 87, 2, 221 CrossR ef 8 Francesco Bertoluzzo , Marco Corazza , Testing Different Reinforcement Learning Configurations for Financial Trading: Introduction and Applications, Procedia Economics and Finance , 2012 , 3 , 68 CrossRef 9 Chai Quek , Zaiyi Guo , Douglas L. Maskell , A Novel Fuzzy Associative Memory Architecture for Stock Market Prediction and Trading, International Journal of Fuzzy System Applications , 2011 , 1 , 1, 61 CrossRef 10 W. L. Tung , C. Quek , Financial volatility trading using a self-organising neural-fuzzy semantic network and option straddle-based approach, Expert Systems with Applications , 2011 , 38 , 5, 4668 CrossRef 11 O. P. Mosalov , V. G. Red’ko , D. V. Prokhorov , Simulation of the evolution of autonomous adaptive agents, Mathematical Models and Computer Simulations , 2009 , 1 , 1, 156 CrossRef 12 Thorsten Hens , Peter Wöhrmann , Strategic asset allocation and market timing: a reinforcement learning approach, Computational Economics , 2007 , 29 , 3-4, 369 CrossRef 13 Patrícia Xufre Casqueiro , António J. L. Rodrigues , Neuro-dynamic trading methods, European Journal of Operational Research , 2006 , 175 , 3, 1400 CrossRef 14 Vladimir G. Red'ko , Oleg P. Mosalov , Danil V. Prokhorov , A model of evolution and learning, Neural Networks , 2005 , 18 , 5-6, 738 CrossRef 15 Kai-Chun Chiu , Lei Xu , Arbitrage pricing theory-based Gaussian temporal factor analysis for adaptive portfo lio management, Decision Support Systems , 2004 , 37 , 4, 485 CrossRef 16 A. Hryshko * , T. Downs , System for foreign exchange trading using genetic algorithms and reinforcement learning, International Journal of Systems Science , 2004 , 35 , 13-14, 763 CrossRef.

Direitos autorais & copy; 1999 - 2018 John Wiley & amp; Sons, Inc. Todos os direitos reservados.