Análise de regressão e estratégias de negociação quantitativa

Estratégias rentáveis ​​de negociação de castiçais - As evidências de uma nova perspectiva.
Este artigo tem como objetivo investigar a lucratividade de padrões candelares de dois dias, comprando em padrões de alta (bearish) e mantendo até padrões de baixa (bullish) ocorrerem. Nosso conjunto de dados inclui a abertura diária, alta, baixa e preços de fechamento de ações componentes no Taiwan Top 50 Tracker Fund para o período de 29 de outubro de 2002 a 31 de dezembro de 2008. Examinamos três padrões de reversão de alta e três padrões de reversão de baixa. Descobrimos que três padrões de reversão de alta são lucrativos no mercado de ações de Taiwan. Para verificações de robustez, avaliamos a aplicabilidade de nossos resultados a diversas condições de mercado, realizamos um teste fora da amostra e empregamos uma metodologia de bootstrap.
Classificação JEL.
Escolha uma opção para localizar / acessar este artigo:
Verifique se você tem acesso através de suas credenciais de login ou de sua instituição.

Análise de regressão dos preços históricos do petróleo: uma base para futuros cenários de preços médios de reversão.
Destaques.
Funções de preço de equilíbrio de longo prazo para previsão de cenários futuros de preços.
A elasticidade de curto prazo da demanda de petróleo é de 0,015 (altamente inelástica)
Elasticidade a longo prazo do fornecimento 0,99 (altamente elástico) para o período 1965–1983.
A elasticidade de longo prazo da oferta mudou para 0,39 (menor elasticidade) para 1984–2012.
Propomos algoritmos de previsão de preços com base na análise de regressão dos preços históricos do petróleo ao longo de 150 anos (1861 a 2012). A partir de 1986, os preços diários do mercado permitem uma análise mais detalhada dos principais indicadores de referência do petróleo bruto (West Texas Intermediate [WTI] e Brent). O preço médio de reversão para um determinado período de tempo corresponde ao custo marginal de fornecimento. Quando a oferta e a demanda estão fora de equilíbrio, os preços spot se movem em uma largura de banda limitada na parte inferior pelo custo de fornecimento em dinheiro e no topo pelo preço concorrente da destruição da demanda. A elasticidade de demanda de curto prazo é de 0,015 (altamente inelástica), e a elasticidade de oferta a longo prazo mudou de 0,99 (altamente elástica) durante 1965-1983 para 0,39 (menos elástica) durante 1984–2012. Derivamos funções para o preço de equilíbrio de longo prazo e as expandimos em funções de preço de equilíbrio escalonável para previsão de cenários futuros de preço se o “business as usual” for assumido. Também consideramos como dois eventos hipotéticos do cisne negro ("desconhecidos desconhecidos") podem afetar o preço médio de equilíbrio.
Classificações JEL.
Escolha uma opção para localizar / acessar este artigo:
Verifique se você tem acesso através de suas credenciais de login ou de sua instituição.

Análise de regressão e estratégias de negociação quantitativa
Não há trecho porque este é um post protegido.
Encontrando Alfa em 2018.
Dado o atual ambiente macroeconômico, onde os investidores devem focar sua busca por fontes de alfa no próximo ano? Ao perguntar a economistas ou gestores de investimento suficientes, você encontrará tantas opiniões diferentes sobre o assunto quanto se preocuparia, sem dúvida muitas delas conflitantes. Estes são alguns pensamentos sobre o assunto da minha perspectiva, como um quantitativo & # 8230;
Negociando Bitcoin.
Na Systematic Strategies, desenvolvemos uma nova e brilhante estratégia de investimento. Nós chamamos isso de comprar Bitcoin. Funciona assim: você pega um pouco do seu fiat e usa-o para comprar Bitcoin. Então, uma semana ou duas depois, você faz a mesma coisa novamente. Até agora, a estratégia está em torno de 400% no acumulado do ano. & # 8230;
Negociação de Futuros Sistemáticos.
Em sua negociação proprietária, o foco principal da Systematic Strategies é em estratégias de capital e volatilidade, tanto de baixa quanto de alta frequência. Nos futuros, a ênfase está na negociação de alta frequência, embora também tenhamos uma ou duas estratégias de baixa frequência com maior capacidade, como o Futures WealthBuilder. A versão do WealthBuilder em execução no Collective & # 8230;
Analisando o conjunto de dados FDIC.
Um processo Winer.
Sem dúvida, muitos de vocês, leitores atentos, terão detectado um erro de ortografia, pensando que eu pretendia me referir a um deles: Mas, na verdade, eu realmente tinha em mente algo mais assim: Estamos seguindo um exemplo dos últimos publicado Mathematica Beyond Mathematics por Jose Sanchez Leon, um texto atualizado que & # 8230;
A história de uma estratégia de HFT.
Cópulas de Correlação.
Continuando um post anterior, no qual modelamos a relação nos níveis do Índice VIX e os Índices de Correlação CBOE do Ano 1 e Ano 2, voltamos nossa atenção para as mudanças de modelagem no índice VIX. Caso você tenha perdido, o post pode ser encontrado aqui: Cointegração de Correlação Vimos anteriormente que & # 8230;
Uma estratégia de equidade tática.
Criamos uma estratégia de patrimônio a longo prazo que visa superar o benchmark de retorno total do S & amp; P 500 usando algoritmos de alocação táticos para investir em ETFs de capital. Um dos principais objetivos da estratégia é proteger os investidores & # 8217; capital durante os períodos de estresse severo do mercado, como nas desacelerações de 2000 e 2008 & # 8230;.
Cointegração de Correlação.
Em um post anterior, procurei maneiras de modelar a relação entre o Índice CBOE VIX e os Índices de Correlação CBOE do Ano 1 e do Ano 2: Modelando Volatilidade e Correlação Perguntou-me se os índices VIX e de correlação poderiam ser cointegrados. Vamos começar observando o padrão de & # 8230;

Análise de regressão.
6. Demonstrações Financeiras 7. Índices Financeiros 8. Ativos 9. Passivos 10. Bandeiras Vermelhas.
16. Investimentos Alternativos 17. Gestão de Portfólio.
Uma regressão linear é construída ajustando uma linha através de um gráfico de dispersão de observações emparelhadas entre duas variáveis. O esboço abaixo ilustra um exemplo de uma linha de regressão linear desenhada através de uma série de observações (X, Y):
Uma linha de regressão linear é geralmente determinada quantitativamente por um procedimento de melhor ajuste, tal como mínimos quadrados (isto é, a distância entre a linha de regressão e cada observação é minimizada). Na regressão linear, uma variável é plotada no eixo X e a outra no Y. Diz-se que a variável X é a variável independente e a Y é a variável dependente. Ao analisar duas variáveis ​​aleatórias, você deve escolher qual variável é independente e qual é dependente. A escolha de independente e dependente decorre da hipótese - para muitos exemplos, essa distinção deve ser intuitiva. O uso mais popular da análise de regressão é sobre os retornos de investimento, em que o índice de mercado é independente, enquanto o título individual ou o fundo mútuo é dependente do mercado. Em essência, a análise de regressão formula uma hipótese de que o movimento em uma variável (Y) depende do movimento no outro (X).
A equação de regressão descreve a relação entre duas variáveis ​​e é dada pelo formato geral:
Onde: Y = variável dependente; X = variável independente
a = intercepto da linha de regressão; b = declive da linha de regressão,
Tirar conclusões sobre a variável dependente requer que façamos seis suposições, os pressupostos clássicos em relação ao modelo de regressão linear:
A relação entre a variável dependente Y e a variável independente X é linear na inclinação e intercepta os parâmetros a e b. Este requisito significa que nenhum parâmetro de regressão pode ser multiplicado ou dividido por outro parâmetro de regressão (por exemplo, a / b), e que ambos os parâmetros são elevados apenas à primeira potência. Em outras palavras, não podemos construir um modelo linear em que a equação fosse Y = a + b 2 X +, como mudanças unitárias em X teriam então um efeito b 2 em a, e a relação seria não linear. A variável independente X não é aleatória. O valor esperado do termo de erro "& epsilon;" é 0. As suposições 2 e 3 permitem que o modelo de regressão linear produza estimativas para a inclinação b e intercepte a. A variação do termo de erro é constante para todas as observações. A hipótese # 4 é conhecida como a "suposição de homocedasticidade". Quando uma regressão linear é heteroscedástica, seus termos de erro variam e o modelo pode não ser útil na previsão de valores da variável dependente. O termo de erro & epsilon; não está correlacionado entre as observações; em outras palavras, a covariância entre o termo de erro de uma observação e o termo de erro da outra é assumida como 0. Essa suposição é necessária para estimar as variâncias dos parâmetros. A distribuição dos termos de erro é normal. A hipótese 6 permite que os métodos de teste de hipóteses sejam aplicados a modelos de regressão linear. Erro padrão de estimativa.
Abreviado SEE, esta medida dá uma indicação de quão bem um modelo de regressão linear está funcionando. Ele compara os valores reais na variável dependente Y com os valores previstos que teriam resultado se Y seguisse exatamente a partir da regressão linear. Por exemplo, analise um caso em que o analista financeiro de uma empresa desenvolveu um modelo de regressão relacionando o crescimento anual do PIB ao crescimento das vendas da empresa pela equação Y = 1,4 + 0,8X.
Para encontrar o erro padrão da estimativa, tomamos a soma de todos os termos residuais quadrados e dividimos por (n - 2), e depois pegamos a raiz quadrada do resultado. Nesse caso, a soma dos resíduos quadrados é 0,09 + 0,16 + 0,64 + 2,25 + 0,04 = 3,18. Com cinco observações, n - 2 = 3 e SEE = (3.18 / 3) 1/2 = 1,03%.
Como o erro padrão, essa estatística fornece uma indicação de quão bem um modelo de regressão linear serve como um estimador de valores para a variável dependente. Ele funciona medindo a fração da variação total da variável dependente que pode ser explicada pela variação na variável independente.
variação total da variação total.
Para qualquer um dos coeficientes de regressão (intercepto a, ou declive b), um intervalo de confiança pode ser determinado com as seguintes informações:
Um valor de parâmetro estimado de uma amostra Erro padrão da estimativa (SEE) Nível de significância para a distribuição t Graus de liberdade (que é tamanho de amostra - 2)
Para um coeficiente de inclinação, a fórmula para o intervalo de confiança é dada por b & plusmn; t c * SEE, onde t c é o valor t crítico em nosso nível significativo escolhido.
Os coeficientes de regressão são freqüentemente testados usando o procedimento de teste de hipóteses. Dependendo do que o analista pretende provar, podemos testar um coeficiente de inclinação para determinar se ele explica as chances na variável dependente e até que ponto explica as mudanças. Os betas (coeficientes de inclinação) podem ser determinados acima ou abaixo de 1 (mais voláteis ou menos voláteis que o mercado). O alfas (o coeficiente de intercepção) pode ser testado numa regressão entre um fundo mútuo e o índice de mercado relevante para determinar se existe evidência de um alfa suficientemente positivo (sugerindo valor acrescentado pelo gestor do fundo).
De nossa amostra, estimamos b de 1,18 e erro padrão de 0,147. Nossa estatística de teste é calculada com esta fórmula: t = coeficiente estimado - coeficiente hipotético. / erro padrão = (1,18 - 1,0) / 0,147 = 0,18 / 0,147, ou t = 1,224.
É provável que o exame CFA forneça as estatísticas resumidas de uma regressão linear e peça interpretação. Para ilustrar, assuma as seguintes estatísticas para uma regressão entre um fundo de crescimento small cap e o índice Russell 2000:
O que cada um desses números nos diz?
A variação no fundo é de cerca de 75%, explicada pelas mudanças no índice Russell 2000. Isto é verdade porque o quadrado do coeficiente de correlação, (0,864) 2 = 0,746, nos dá o coeficiente de determinação ou R-quadrado. O fundo terá um desempenho ligeiramente inferior ao índice quando os retornos dos índices forem estáveis. Isso resulta do valor do intercepto sendo -0,417. Quando X = 0 na equação de regressão, a variável dependente é igual ao intercepto. O fundo será, em média, mais volátil que o índice. Este fato decorre da inclinação da linha de regressão de 1,317 (ou seja, para cada mudança de 1% no índice, esperamos que o retorno do fundo se modifique em 1,317%). O fundo terá um desempenho superior em períodos de mercado fortes e terá um desempenho inferior em mercados fracos. Este fato decorre da regressão. O risco adicional é compensado com recompensa adicional, sendo o inverso verdadeiro nos mercados em baixa. Os valores previstos do retorno do fundo, dado um retorno para o mercado, podem ser encontrados resolvendo-se para Y = -0,417 + 1,317X (X = Russell 2000 retorno). Análise de Variância (ANOVA)
Análise de variância, ou ANOVA, é um procedimento no qual a variabilidade total de uma variável aleatória é subdividida em componentes para que possa ser melhor compreendida ou atribuída a cada uma das várias fontes que causam a variação do número.
A fórmula para estatística F em uma regressão com uma variável independente é dada pelo seguinte:
F = soma de regressão média dos quadrados / erro quadrático médio.
As duas abreviações para entender são RSS e SSE: RSS, ou a soma de regressão de quadrados, é a quantidade de variação total na variável dependente Y que é explicada na equação de regressão. O RSS é calculado calculando cada desvio entre um valor previsto de Y e o valor médio de Y, ajustando o desvio e somando todos os termos. Se uma variável independente não explica nenhuma das variações em uma variável dependente, então os valores previstos de Y são iguais ao valor médio, e RSS = 0. SSE, ou a soma do erro quadrado dos residuais, é calculada encontrando o desvio entre um Y previsto e um Y real, quadrando o resultado e somando todos os termos. TSS, ou variação total, é a soma de RSS e SSE. Em outras palavras, esse processo ANOVA divide a variação em duas partes: uma explicada pelo modelo e outra não. Essencialmente, para uma equação de regressão ter alta qualidade preditiva, precisamos ver um RSS alto e um SSE baixo, o que fará com que a proporção (RSS / 1) / [SSE / (n - 2)] alta e (com base em um comparação com um valor F crítico) estatisticamente significativo. O valor crítico é retirado da distribuição F e é baseado em graus de liberdade.
Modelos de regressão são freqüentemente usados ​​para estimar estatísticas econômicas, como inflação e crescimento do PIB. Suponha que a seguinte regressão seja feita entre a inflação anual estimada (X, ou variável independente) e o número real (Y ou variável dependente):
As previsões baseadas neste modelo parecem funcionar melhor para as estimativas de inflação típicas, e sugerem que estimativas extremas tendem a exagerar a inflação - por ex. uma inflação real de apenas 4,46 quando a estimativa era de 4,7. O modelo parece sugerir que as estimativas são altamente preditivas. Porém, para avaliar melhor esse modelo, precisaríamos ver o erro padrão e o número de observações nas quais ele se baseia. Se soubermos o verdadeiro valor dos parâmetros de regressão (declive e intercepto), a variância de qualquer valor Y previsto seria igual ao quadrado do erro padrão.
Onde: s 2 é o erro padrão quadrado da estimativa, n é o número de observações, X é o valor da variável independente usada para fazer a previsão, X é o valor médio estimado da variável independente e sx 2 é a variância de X.

Aprendizado de Máquina para Negociação & # 8211; Como prever preços das ações usando a regressão?
Outro dia eu estava lendo um artigo sobre como a IA progrediu até agora e para onde está indo. Fiquei impressionada e tive dificuldade em digerir a imagem que o autor traçou sobre possibilidades no futuro.
Aqui está como eu reagi. (Não, eu não sou tão bonito quanto o Joey, mas você tem a ideia)
E aqui está uma das possibilidades em que a IA poderia ser aplicada no campo da medicina, parágrafo do artigo,
“Um cirurgião podia controlar um bisturi com seu córtex motor em vez de segurar um em sua mão, e ela podia receber estímulos sensoriais daquele bisturi para que ele se sentisse como um 11º dedo para ela. Então, seria como se um de seus dedos fosse um bisturi e ela pudesse fazer a cirurgia sem segurar nenhuma ferramenta, dando-lhe um controle muito melhor sobre suas incisões. Uma cirurgiã inexperiente realizando uma operação difícil poderia trazer alguns de seus mentores para a cena enquanto ela trabalha para observá-la trabalhar através de seus olhos e pensar em instruções ou conselhos para ela. E se algo der errado, um deles poderia "pegar o volante" e conectar o córtex motor às saídas para controlar as mãos. "
Você pode ler o artigo aqui.
Neste momento, AI e Aprendizado de Máquina já progrediram o suficiente e podem prever os preços das ações com um grande nível de precisão. Deixa-me mostrar-te como.
O que é aprendizado de máquina?
A definição é a seguinte: “Machine Learning é onde os algoritmos de computador são usados ​​para aprender de forma autônoma a partir de dados e informações e melhorar os algoritmos existentes”
Mas, em termos simples, o aprendizado de máquina é assim, leve esse garoto por exemplo & # 8211; considere que ele é uma máquina inteligente, agora,
Dê-lhe um tabuleiro de xadrez Explique as regras básicas do jogo Dê registros de, digamos, 100 bons jogos Bloqueie o garoto em um quarto (jogue um pouco de comida e água também)
Quando a criança sair daquela sala, você estará olhando para um bom jogador de xadrez. Neste caso, & # 8211; o garoto é a máquina, os registros do jogo passado são os dados e o livro de regras do xadrez é o algoritmo. Nós apenas alimentamos um algoritmo básico para a máquina e alguns dados para aprender. A máquina analisou os dados, entendeu quais movimentos melhoraram as chances de ganhar o jogo e adicionou esses movimentos ao algoritmo. Esse é todo o conceito de Machine Learning. A vantagem, no caso dos computadores em comparação com os humanos, é que os computadores podem fazer isso rapidamente, para conjuntos de dados maiores e por um período contínuo de tempo.
No entanto, isso é apenas um exemplo, há diferentes aspectos do Machine Learning e eles são muito interessantes. Mas vamos nos ater ao básico neste post.
Além disso, as pessoas geralmente se confundem entre Inteligência Artificial, Aprendizado de Máquina e Aprendizado Profundo. A IA é um espaço muito maior cobrindo muitas coisas, enquanto o aprendizado de máquina é uma parte da IA ​​e mais Aprendizado Profundo é um subconjunto do aprendizado de Máquina. Aqui, desenhei este diagrama para você.
Se você quiser aprofundar mais detalhes específicos desses tópicos, você pode verificar isso.
Por que o Aprendizado de Máquina se tornou tão popular ultimamente?
Se você aprofundar, descobrirá que o Machine Learning existe há muito tempo. Por exemplo, em 1763, Thomas Bayes publicou uma obra "Um ensaio para resolver um problema na doutrina das possibilidades", que levou a "Bayes Rule", um dos algoritmos importantes usados ​​no Machine Learning [1]
Mas hoje, o Machine Learning está avançando a uma velocidade sem precedentes. Podemos não perceber, mas as aplicações do Machine Learning estão em toda parte, por exemplo,
Sistemas de recomendação (feed de notícias no Facebook, recomendação de produtos amazônicos) Processamento de linguagem natural (Siri, google voz) Diagnóstico médico (padrões de localização em imagens) Reconhecimento e rastreamento de objetos (reconhecimento facial, leitura de placas e rastreamento) Mineração & Big Data & # 8217; & # 8211; Analytics (estoque com este padrão tendem a subir) Classificação e Agrupamento de dados (detecção de fraude, mineração de seqüência etc.)
Todas essas coisas são baseadas no conceito de aprender com os dados do passado e prever o resultado para uma situação nova / invisível, da mesma forma que os humanos aprendem. Mas a vantagem para os computadores é que eles podem processar dados em uma escala muito maior e com uma complexidade muito maior, algo que é simplesmente incompreensível para os seres humanos.
Dado o ambiente atual em que você tem trilhões de gigabytes de dados sendo gerados todos os dias. Apenas se torna impossível para os humanos processar e fazer inferências úteis a partir disso. Claro, pessoas inteligentes podem ser capazes de fazer previsões e inferências melhores, mas os algoritmos de aprendizado de máquina nos superaram em escala e complexidade. E com o tempo, as previsões feitas por esses computadores ultrapassarão o nível humano.
Então, quando todos os setores começaram a implementar o Machine Learning de alguma forma ou de outra, por que você, como operador, não deve usar isso a seu favor e ganhar um pouco mais de dinheiro (se você já está fazendo algum, diferente de mim). Adivinha? Machine Learning e trading andam de mãos dadas como queijo e vinho. Alguns dos principais traders e gestores de fundos de hedge usaram algoritmos de aprendizado de máquina para fazer previsões melhores e, como resultado, dinheiro!
Neste post, eu vou te ensinar como usar a Regressão Linear (um dos algoritmos mais quentes no ML) na negociação.
O que é Regressão Linear?
Aqui está a definição formal, “Regressão Linear é uma abordagem para modelar a relação entre uma variável dependente escalar y e uma ou mais variáveis ​​explicativas (ou variáveis ​​independentes) denotadas como X” [2]
Deixe-me explicar o conceito de regressão de uma forma muito básica, então imagine que você administra uma empresa que constrói carros e quer entender como a mudança nos preços das matérias-primas (digamos, Steel) afetará as vendas do carro. O entendimento geral é este, o aumento do preço do aço levará a um aumento no preço do carro, resultando em menor demanda e, por sua vez, menores vendas. Mas como quantificamos isso? E como podemos prever quanta mudança nas vendas acontecerá com base no grau de mudança no preço do aço. É quando a regressão entra em cena.
Vamos considerar os dados de amostra abaixo mencionados para entender,
Vamos colocar isso em um gráfico, esse gráfico é chamado de gráfico de dispersão.
O eixo Y é a venda de um carro (esta é nossa variável dependente) e o eixo X é o preço do aço (variável independente). Por observação geral, você pode dizer que sempre que há uma queda nos preços do aço, as vendas do carro melhoram.
Os dados da amostra são o material de treinamento para o algoritmo de regressão. E agora isso nos ajudará a prever que tipo de vendas poderemos obter se o preço do aço cair para 168 (queda considerável), que é uma nova informação para o algoritmo.
Vamos levar a ajuda do Excel para processar os números,
Então, quando você coloca os dados de exemplo em uma planilha do Excel e executa a regressão (você pode ver este vídeo para aprender como executar a regressão no Excel), você obterá a linha de regressão mostrada abaixo.
E alguns números esquisitos como esses, mas para um entendimento básico, vou me concentrar apenas em algumas métricas. O objetivo da função de regressão linear é encontrar uma linha que seja mais próxima de todos os pontos de dados, de modo que sempre que quisermos calcular a predição para uma nova variável dependente, podemos escolher o ponto subsequente na linha correspondente à variável independente no eixo X .
Assim, os cálculos acima foram feitos com base nas equações abaixo, também chamadas de expressões de regressão.
"Y" e # 8211; Vendas do carro ou variável dependente, é isso que estamos tentando prever.
"X" e # 8211; Preço do aço ou variável independente, isso será usado para prever "Y"
"B 0" - Intercept é o valor no qual a linha de regressão cruza o eixo "y".
"B 1" e # 8211; Coeficiente de inclinação, isso nos diz a quantidade de mudança em y que pode ser esperada como resultado de um aumento unitário em x.
"E eu" & # 8211; Termo de erro, quando a relação que expressamos usando essa equação para qualquer variável não representa totalmente a relação real entre a variável independente e a variável dependente, a variável que representa essa diferença é conhecida como termo de erro ou o termo residual, distúrbio ou restante.
R 2 e # 8211; R ao quadrado ou coeficiente de correlação, mostra como os dados estão próximos da linha de regressão ajustada.
Se você olhar para o gráfico de regressão acima, você verá uma equação de regressão, que é.
Então nessa equação
Observe que o coeficiente de inclinação ou b 1 é negativo, o que significa que as duas variáveis ​​(preço do aço e venda do carro) estão correlacionadas negativamente, ou seja, quando o preço do aço aumenta a venda de carros.
R 2 da equação é 0,92 o que é bom, queremos que esse valor seja o mais próximo possível de 1 para melhores previsões.
Então, agora vindo para a parte incrível, tomar qualquer alteração no preço do aço, por exemplo, o preço do aço é 168 e queremos calcular o aumento previsto na venda de carros. Veja como você faz isso
(vendas de automóveis) = -4,6129 x (168) + 1297,7.
Venda de carro = 522,73 quando o preço do aço cai para 168.
Isso não é incrível? Adivinha o que, mesmo se houvesse várias variáveis ​​que afetassem as vendas de um carro (como existem no mundo real), poderíamos calcular uma previsão. Quando há mais de uma variável independente na regressão, ela é chamada de Modelo de Regressão Múltipla.
Espero que você tenha entendido essa parte se ainda tiver alguma dúvida que você possa fazer para nossa comunidade aqui.
Regressão e Bolsa de Valores.
Agora, deixe-me mostrar-lhe uma aplicação real da regressão no mercado de ações. Por exemplo, estamos mantendo ações do banco Canara e queremos ver como as mudanças no preço do Bank Nifty (índice do banco) afetam o preço das ações da Canara. Nosso objetivo é encontrar uma função que nos ajude a prever os preços do banco de Canara com base no preço determinado do índice.
Nós vamos tomar Bank Nifty & amp; Nos próximos preços de Canara nos últimos dois meses, estamos adotando preços próximos ajustados para a consistência dos dados. Por favor, note que ter dados precisos é muito importante, pois mesmo um dos números nos dados pode fazer com que a função de regressão mude significativamente.
Desses dados, trataremos os primeiros 40 dias como dados de treinamento e os últimos 20 dias como os dados de teste, nos quais verificaremos a proximidade das previsões feitas pelo algoritmo de regressão com os números reais.
Você pode baixar a planilha de excel do trabalho aqui.
O gráfico de dispersão mostra os dados. Usando a mesma função excel desenhamos esta linha de regressão que tem um coeficiente de determinação (R ​​2) de 0,85. Isso significa que o Canara Bank e o Bank Nifty estão 85% correlacionados.
Aqui está a expressão de regressão,
Vejamos as previsões feitas pelo algoritmo, as previsões estão marcadas em azul.
Olhando para os dados, podemos ver que as previsões estão bem próximas (considerando coeficiente de 85%), talvez não sejam negociáveis, mas isso nos dá uma direção. Você pode e deve melhorar ainda mais esse método, adicionando mais de uma variável independente. Isso ajudará a reduzir o resíduo ou erro e ajudará a aproximá-lo do preço real.
Eu só tirei 2 meses de dados, você pode levar anos de dados para resultados mais precisos. Mais os dados de treinamento melhoram o resultado. À medida que você for adicionando novos dados de mercado, você verá que a função continuará melhorando, recalculando o coeficiente e interceptando os valores.
Próximos passos.
Espero que você tenha entendido o básico da função Regressão e esteja pronto para aprender como implementar a técnica de regressão usando o Aprendizado de Máquina e utilizando as previsões para desenvolver e testar sua própria estratégia de negociação. Se você não sabe como colocar isso em uma estratégia de negociação, pode acessar o nosso pacote de três cursos sobre "Negociando com aprendizado de máquina". Este pacote abrange as estratégias Regressão, Classificação e SVM. O pacote oferece um desconto de 30%, clique aqui para saber mais.

Principais blogs quantitativos e algorítmicos de negociação de 2017.
Nós começamos 2018 com tanto para olhar para frente. Com definitivamente o melhor ainda por vir, vamos dar uma olhada no que foi fabuloso no ano de 2017. Aqui está uma comparação dos nossos dez blogs mais populares do ano passado. Oferecendo um resumo dos trending topics do ano passado, que é seguido por uma coleção sábia das melhores leituras do ano passado.
Melhor 10 Blog.
1. Aprendizado de máquina para negociação - Como prever os preços das ações usando a regressão?
Este blog resume por que o Machine Learning tornou-se uma palavra de interesse ultimamente. O autor oferece diferentes cenários em que um programa de computador aparece como um recurso mais adequado do que uma mente humana. Aprendizado de Máquina está sendo empregado por muito tempo. Em 1763, Thomas Bayes publicou uma obra "Um ensaio para resolver um problema na doutrina das possibilidades", que levou a "Bayes Rule", um dos algoritmos importantes utilizados na Aprendizagem de Máquina. Hoje em dia, os aplicativos de Aprendizado de Máquina estão em toda parte, este blog desenvolve a implementação de estratégias como a Regressão Linear.
2. Estratégia de Classificação de Aprendizado de Máquina em Python.
Este blog é um guia passo a passo sobre como implementar o algoritmo de classificação de aprendizado de máquina em S & amp; P500 usando o Support Vector Classifier (SVC). SVCs são modelos de classificação de aprendizagem supervisionados. O artigo conduzirá você pelo processo linear de implementação da estratégia de classificação de aprendizado de máquina no Python, que começa com a importação das bibliotecas, a busca de dados e a determinação da variável de destino. A próxima etapa é a criação de variáveis ​​para testar e treinar a divisão de conjunto de dados e criar o modelo de classificação de aprendizado de máquina usando o conjunto de dados de trem.
3. Principais plataformas de negociação da Algo na Índia.
O advento da negociação algorítmica reescreveu as regras da corretagem tradicional. Com volumes significativos nas bolsas agora sendo negociadas com a ajuda de algoritmos sofisticados, é imperativo que os investidores estejam cientes das plataformas de negociação que lhes permitirão implementar suas estratégias e permanecer competitivas. Este artigo toma nota das principais plataformas e ferramentas de negociação: Omnesys NEST, Presto ATS, ODIN, FLEXTRADE, AlgoNomics, MetaTrader, AmiBroker, NinjaTrader.
4. Top 9 Plataformas de Negociação de Criptomoeda.
O artigo abrange 9 melhores intercâmbios de criptocorrência: eToro, Kraken, Poloniex, BitFinex, HitBTC, Bittrex, BitMEX, Coinbase e Localbitcoins. O comércio de criptomoedas ganhou popularidade substancial devido a muitos aspectos lógicos. O conceito de Criptomoeda é baseado no compartilhamento de conhecimento em uma plataforma distribuída. Toda a transação é para todo mundo ver. Os dados inseridos não podem ser alterados nem removidos, permitindo um sistema de total transparência e confiança. Todo o fluxo de dinheiro para o modelo de trabalho está além das práticas tradicionais e, portanto, do crescente interesse pelo assunto. Leia para saber como fazer parte do movimento.
5. Estratégias de Negociação Algorítmica, Paradigmas e Idéias de Modelagem.
Depois de ter aprendido os fundamentos da Algo Trading, adquirir o conhecimento de estratégias de negociação é o nível secundário de educação. Um algoritmo é apenas um conjunto de instruções ou regras. Esse conjunto de regras é usado em uma bolsa de valores para automatizar a execução de ordens sem intervenção humana. Este conceito é chamado Algorithmic Trading. O artigo detalha mais sobre algumas das estratégias de negociação.
6. Top Cursos após o MBA Finanças.
Mesmo após a dramática mudança na esfera tecnológica, os empregos em finanças são tão demandados quanto os papéis no setor de tecnologia ou em outros domínios. Formados em MBA em Finanças estão provando que eles podem fazer a diferença como líderes em muitos setores diferentes. Este artigo lista os principais cursos após o financiamento de MBA que os alunos podem fazer para melhorar sua carreira financeira.
7. Construa indicadores técnicos em Python.
O Indicador Técnico é essencialmente uma representação matemática baseada em conjuntos de dados como preço (alto, baixo, aberto, próximo, etc.) ou volume de uma segurança para prever tendências de preço. Existem vários tipos de indicadores técnicos que são usados ​​para analisar e detectar a direção do movimento do preço. Este blog irá levá-lo através de uma descrição completa dos vários indicadores como EVM, Média Móvel (MA), Taxa de Variação (ROC), Bollinger Bands, Force Index. Os traders os usam para estudar o movimento de preços de curto prazo, já que eles não se mostram muito úteis para investidores de longo prazo, leia o artigo completo para aprender a utilizar o mesmo para seus próprios negócios.
8. Aprenda Algorithmic Trading: Um Guia Passo a Passo.
Com o boom de avanços tecnológicos em aplicações comerciais e no mercado financeiro, a negociação algorítmica e a negociação de alta frequência estão sendo bem-vindas e aceitas pelas bolsas de todo o mundo. Dentro de uma década, é certo que será a forma mais comum de negociação nos mercados desenvolvidos. Este artigo ajudará você a aprender como utilizar algoritmos para negociar mercados com lucro.
9. Previsão de Mercados usando o eXtreme Gradient Boosting (XGBoost)
Numerosos modelos de aprendizado de máquina, como regressão Linear / Logística, Máquinas de Vetores de Suporte, Redes Neurais, modelos baseados em árvores, etc., estão sendo testados e aplicados na tentativa de analisar e prever os mercados. Pesquisadores descobriram que alguns modelos têm mais taxa de sucesso em comparação com outros modelos de aprendizado de máquina. O eXtreme Gradient Boosting, também chamado de XGBoost, é um desses modelos de aprendizado de máquina que recebeu elogios dos praticantes de aprendizado de máquina. Neste post, abordamos os fundamentos do XGBoost, um modelo vencedor para muitas competições de kaggle e tentamos desenvolver um modelo de previsão de estoque XGBoost usando o pacote “xgboost” na programação R.
10. Livros Essenciais sobre Negociação Algorítmica.
Um bom ponto de partida para um aspirante a comerciante seria pegar um bom livro, mergulhar e absorver tudo o que o livro tem a oferecer. Este post canaliza as principais áreas de foco para aspirantes a quants e cobre algumas das boas leituras em cada uma dessas categorias. O post também compartilha uma lista abrangente de livros considerados obrigatórios para aspiradores de algo-traders.
Algo Trading Basics.
& # 8211; Por que você deveria estar fazendo comércio algorítmico?
Este artigo explica como a precisão das máquinas atende a um propósito miraculoso de negociação de alta frequência e por que é uma decisão inteligente adotar máquinas para tomar suas decisões financeiras.
& # 8211; Aprenda Algorithmic Trading: Um Guia Passo a Passo.
Com o boom de avanços tecnológicos em aplicações comerciais e no mercado financeiro, a negociação algorítmica e a negociação de alta frequência estão sendo bem-vindas e aceitas pelas bolsas de todo o mundo. Leia o blog completo para adquirir um entendimento passo a passo do Algorithmic Trading.
& # 8211; Criação de um balcão de negociação da Algo.
Conhecimento de domínio, recursos qualificados, tecnologia & amp; infra-estrutura na forma de hardware e software são os requisitos básicos para a criação de qualquer empresa ou start-up. Este blog fornece uma visão geral dos requisitos para a criação de uma mesa de operações ou empresa algorítmica.
& # 8211; Como obter financiamento para sua estratégia de negociação?
Se você deseja que sua estratégia seja financiada por alguém, é necessário ter pelo menos dois anos de histórico consistente e lucrativo. Leia para saber o roteiro perfeito para obter sua estratégia de negociação financiada.
& # 8211; Introdução ao mercado Making & amp; Estratégias de Negociação de Alta Frequência.
O blog oferece uma introdução às funcionalidades básicas do mercado e criadores de mercado que são agentes que estão prontos para comprar e vender títulos nos mercados financeiros. Os demais participantes do mercado são, portanto, sempre garantidos como contraparte para suas transações. Explore o artigo para saber mais sobre o assunto.
& # 8211; O que é microestrutura de mercado?
A microestrutura de mercados lida com questões de estrutura e projeto de mercado, formação de preço, descoberta de preço, custo de transação e tempo, informações & amp; divulgação e comportamento do investidor. É a configuração funcional de um mercado que funciona sob um determinado conjunto de regras & amp; ofertas.
& # 8211; O crescimento & amp; Futuro da negociação algorítmica.
O comércio algorítmico está entre as tecnologias mais comentadas nos últimos anos. Isso deu às empresas comerciais mais poder nos mercados em rápida evolução, eliminando erros humanos e mudando a forma como os mercados financeiros estão interligados hoje.
& # 8211; Um guia de negociação algorítmica para comerciantes de varejo.
Se você está negociando uma estratégia que é lucrativa para você, você precisa ser capaz de aumentar o número de negociações lucrativas para ganhar mais. Na negociação, as perdas e vitórias acontecem juntas. Você sai lucrativo somente quando seus ganhos compensam suas perdas o suficiente para dar conta de seus esforços e custos. O comércio algorítmico é uma maneira de fazer o mesmo.
Links de bônus:
Algo Trading Strategies and Indicators.
& # 8211; Construa indicadores técnicos em Python.
O Indicador Técnico é essencialmente uma representação matemática baseada em conjuntos de dados como preço (alto, baixo, aberto, próximo, etc.) ou volume de uma segurança para prever tendências de preço. Existem vários tipos de indicadores técnicos que são usados ​​para analisar e detectar a direção do movimento do preço. Os traders os usam para estudar o movimento de preços de curto prazo, uma vez que não se mostram muito úteis para investidores de longo prazo. Eles são empregados principalmente para prever os níveis futuros de preços.
& # 8211; Previsão de mercados usando eXtreme Gradient Boosting (XGBoost)
Nos últimos anos, o aprendizado de máquina tem gerado muita curiosidade por sua aplicação lucrativa à negociação. Numerosos modelos de aprendizado de máquina, como regressão Linear / Logística, Máquinas de Vetores de Suporte, Redes Neurais, modelos baseados em árvores, etc., estão sendo testados e aplicados na tentativa de analisar e prever os mercados. Pesquisadores descobriram que alguns modelos têm mais taxa de sucesso em comparação com outros modelos de aprendizado de máquina. O eXtreme Gradient Boosting, também chamado de XGBoost, é um desses modelos de aprendizado de máquina que recebeu elogios dos praticantes de aprendizado de máquina.
& # 8211; Negociação usando aprendizado de máquina em Python Part-1.
Este blog foi dividido nos seguintes segmentos:
Obtendo os dados e tornando-os utilizáveis. Criando Hyper-parameters. Dividindo os dados em conjuntos de teste e treinamento. Obtendo os parâmetros de melhor ajuste para criar uma nova função. Fazendo as previsões e verificando o desempenho. Finalmente, algum alimento para o pensamento.
Links de bônus:
Ferramentas e Plataformas.
& # 8211; Principais plataformas de negociação da Algo na Índia.
Com volumes significativos nas bolsas agora sendo negociados com a ajuda de algoritmos sofisticados, é imperativo que os investidores estejam cientes das plataformas de negociação. Isso também criou a necessidade de softwares, ferramentas e plataformas, que estão sendo acessados ​​por traders para executar as manobras financeiras. Oferecendo uma descrição detalhada das várias ferramentas e plataformas para sua leitura.
& # 8211; Arquitetura Explicada do Pacote R para IB - IBrokers.
Este blog traz uma visão geral da arquitetura da API Interactive Brokers e uma explicação da estrutura subjacente do pacote IBrokers. O Interactive Brokers fornece seu programa de API, que pode ser executado no Windows, Linux e MacOS. A API faz uma conexão com o IB TWS. O TWS, por sua vez, é conectado aos datacenters do IB e, assim, toda a comunicação é roteada pelo TWS.
Conselho de carreira.
& # 8211; Dicas para iniciar seu próprio negócio em negociação algorítmica.
Para os trabalhadores e empreendedores, iniciar seu próprio negócio parece ser o passo mais aceitável e lógico na carreira. A única preocupação é como? As perguntas básicas que você precisa responder são quem mais e como elas fizeram isso acontecer. Uma análise situacional ajuda a colocar o melhor pé em frente. Aqui está uma história que pode interessar a você.
& # 8211; Como os especialistas técnicos e financeiros podem se tornar Quants?
Pré-requisitos de um algo-comerciante são a compreensão das funcionalidades do quadro de mercado, o fluxo de trabalho na troca e o conhecimento do que afeta as posições de longa data das empresas listadas. Este blog irá levá-lo um pouco mais longe e ajudá-lo a entender como formular uma estratégia de negociação e fornecer-lhe uma compreensão técnica do que é necessário para se tornar um quant.
& # 8211; Quanto Salário Quants Realmente Ganha?
Os quants costumam ser chamados de "Rocket Scientists of Wall Street" e há uma razão para isso. Instrumentos financeiros modernos são tão complexos que é preciso um gênio para compreendê-los plenamente e, como resultado, as pessoas que os compreendem recebem bem. Este artigo é uma compreensão comparativa das escalas salariais em diferentes países. Ele fornece uma idéia do salário médio do setor, com base no nível de experiência e no desempenho geral da empresa.
& # 8211; Como pode um MBA em Finanças se tornar um Quant?
Como os títulos financeiros se tornam cada vez mais complexos, ainda é interessante notar que são as pessoas que entendem as estratégias de negociação e são responsáveis ​​por incorporar as mesmas nos algoritmos. Modelos matemáticos e financeiros complexos são elaborados, interpretados e utilizados por mecanismos informatizados. Tem havido um crescimento constante na demanda por pessoas que não apenas entendem os complexos modelos matemáticos que precificam esses títulos, mas que podem aumentá-los para gerar lucros e reduzir o risco. O artigo enriquece candidatos adequados com conhecimento suficiente sobre como levar sua carreira para o próximo nível.
& # 8211; Principais cursos após o MBA Finance.
Um MBA Finanças grau pode ajudar a desenvolver habilidades que podem ser usadas em várias situações. Em uma mudança dramática em relação a uma década atrás, os empregos em finanças são tão demandados quanto os papéis no setor de tecnologia ou em outros domínios. Formados em MBA em Finanças estão provando que eles podem fazer a diferença como líderes em muitos setores diferentes. Este artigo lista os principais cursos após o financiamento de MBA que os alunos podem fazer para melhorar sua carreira financeira.
Se nossos blogs motivam você a desejar aprender vários aspectos da negociação algorítmica, confira o Programa Executivo em Algorithmic Trading (EPAT ™). O curso abrange módulos de treinamento como o Statistics & amp; Econometria, Computação Financeira & amp; Tecnologia e Algoritmica & amp; Negociação Quantitativa. EPAT ™ prepara você com os conjuntos de habilidades necessárias para ser um profissional bem sucedido. Inscreva-se agora!