Quant At Risk

GARCH (p, q) Model en afrit strategie vir Intraday Algorithmic Handelaars Vooruitskatting toekoms was nog altyd 'n deel van die menslike ongetemde vaardigheid om besit was. In 'n genotvolle Hollywood produksie van Volgende Nicolas Cage speel 'n karakter van Frank Cadillac het 'n vermoë om die toekoms te sien net tot 'n paar minute voor. Dit laat hom byna onmiddellike optrede om die risiko's te vermy neem. Nou, dink net vir 'n oomblik dat jy 'n (algoritmiese) intraday handelaar. Wat sal jy aan vir 'n blik op om te weet wat gaan gebeur binne volgende paar minute? Watter soort risiko sou jy doen? Is dit regtig moontlik om die volgende skuif op jou handel skaakbord aflei? Waarskynlik die beste antwoord op hierdie vraag is: dit is gedeeltelik moontlik. Hoekom dan gedeeltelik? Wel, selfs met 'n hulp van wiskunde en statistiek, natuurlik God didnt wil hê ons moet die toekoms weet om sy vingerafdruk in ons vergelykings en noem dit 'n ewekansige veranderlike. Smart, isnt dit? Daarom, ons doel is om harder te werk om te raai wat gaan gebeur volgende !? In hierdie pos sal Ek binnekort beskryf een van die mees populêre metodes van vooruitskatting toekomstige volatiliteit in finansiële time-reeks diens van 'n GARCH model. Volgende, sal ek gebruik van 5-min intraday voorraad data van beslote pryse maak om te wys hoe om moontlike voorraad waarde in volgende 5 minute aflei met behulp van die huidige vlakke van wisselvalligheid in intraday handel. Uiteindelik sal ek 'n afrit strategie van 'n handelsmerk wat gebaseer is op geskatte ergste geval scenario bespreek (aandele prys word voorspel om die veronderstelde keerverlies vlak oorskry). Maar eers, laat opwarm met 'n paar oulike vergelykings ons kan nie sonder lewe. afleidings Volatiliteit Vaslegging en verteer wisselvalligheid is een of ander manier soos 'n kuns wat nie probeer om eksterne, herkenbare werklikheid verteenwoordig, maar poog om die uitwerking daarvan te bereik met behulp van vorms, kleure, en teksture. Die basiese idee wat ons wil hier beskryf is 'n wisselvalligheid $ \ sigma_t $ van 'n ewekansige veranderlike (RV) van, bv 'n bate prys, op die dag van $ t $ as geraam aan die einde van die vorige dag $ t-1 $. Hoe om dit te doen in die mees eenvoudigste manier? Die eenvoudige. Eerste laat aanvaar dat 'n logaritmiese tempo van verandering van die bate prys tussen twee keer stappe is: $$ Wat ooreenstem met die terugkeer uitgedruk in Procenten as $ R_ = 100 [\ exp (r_) -1] $ en ons sal gebruik word om hierdie transformasie in die res van die teks. Dit notasie laat ons met 'n venster van geleentheid om $ r_t $ dui as 'n innovasie om die opbrengskoers onder voorwaarde dat ons in staat is, een of ander manier, om af te lei, af te lei, en voorspel 'n toekomstige bate prys van $ P_t $. Die gebruik van klassieke definisie van 'n steekproefvariansie, is ons toegelaat om dit af te skryf as: \ Sigma_t ^ 2 = \ frac \ sum_ ^ (r_ - \ langle r \ rangle) ^ 2 $$ Wat ons voorspelling van die variansie koers in die volgende keer stap $ t $ gegrond op vorige $ m $ datapunte, en $ \ langle r \ rangle = m ^ \ sum_ ^ r_ $ is 'n steekproefgemiddelde. Nou, as ons kyk na terugkeer reeks wat elke eendag word getoets, of 'n uur, of 'n minuut, is dit die moeite werd om te let dat $ \ langle r \ rangle $ is baie klein in vergelyking met die standaard afwyking van veranderinge. Dit waarneming stoot ons 'n bietjie verder in herskryf die skatting van $ \ sigma_t $ as: \ Sigma_t ^ 2 = \ frac \ sum_ ^ r_ ^ 2 $$ Waar $ m-1 $ het met $ m $ vervang deur die byvoeging van 'n ekstra mate van vryheid (gelykstaande aan 'n maksimum waarskynlikheid skatting). Wat is pragtig belangrik oor hierdie formule is die feit dat dit 'n gelyke gewig van eenheid tot elke waarde van $ r_ $ soos ons altyd kan dink dat die hoeveelheid vermenigvuldig met een. Maar in die praktyk, kan ons 'n klein wens om 'n paar gewigte $ assosieer het \ alpha_i $ soos volg: \ Sigma_t ^ 2 = \ sum_ ^ \ alpha_i r_ ^ 2 $$ Waar $ \ sum_ ^ \ alpha_i = 1 $ wat 'n faktor van $ m ^ $ in die vorige formule vervang. As jy dink vir 'n tweede oor die idee van $ \ alpha $ s dit is redelik maklik om te verstaan ​​dat elke waarneming van $ r_ $ het 'n paar belangrike bydrae tot die algehele waarde van $ \ sigma_t ^ 2 $. In die besonder, as ons kies $ \ alpha_i j $, elke afgelope waarneming van die mees onlangse tyd van $ t-1 $ dra al hoe minder. In 1982 voorgestelde R. Engle n klein uitbreiding van bespreek formule, gefinaliseer in die vorm van outoregressiewe voorwaardelike Heteroskedastisiteit ARCH ($ m $) model: \ Sigma_t ^ 2 = \ omega + \ sum_ ^ \ alpha_i r_ ^ 2 $$ Waar $ \ omega $ is die geweegde langtermyn variansie neem sy posisie met 'n gewig van $ \ gamma $, soos $ \ omega = \ gamma V $ en nou $ \ gamma + \ sum_ ^ \ alpha_i = 1 $. Wat die boog model kan die skatting van toekomstige volatiliteit, $ \ sigma_t $, met inagneming van net verby $ m $ geweegde opbrengskoerse $ \ alpha_i r_ $ en addisionele parameter van $ \ omega $. In die praktyk, ons doel om die vind van gewigte van $ \ alpha_i $ en $ \ gamma $ behulp maksimum waarskynlikheid metode vir gegewe terugkeer reeks $ \ $. Hierdie benadering, in die algemeen, vereis ongeveer $ m> 3 $ om $ \ sigma_t ^ 2 $ doeltreffend te beskryf. So, die vraag na vore: kan ons doen baie beter? En die antwoord is: natuurlik. Vier jaar later, in 1986, 'n nuwe speler het die ring. Sy naam was Mnr T (Bollerslev) en hy letterlik gebreekte Engle in die tweede ronde met 'n innovasie van die veralgemeende AutoRegressieve Voorwaardelike Heteroskedastisiteit GARCH ($ P, Q $) model: \ Sigma_t ^ 2 = \ omega + \ sum_ ^ \ alpha_i r_ ^ 2 + \ sum_ ^ \ beta_j \ sigma_ ^ 2 $$ Wat sy $ \ sigma_t ^ 2 $ afgelei gebaseer op $ p $ afgelope waarnemings van $ r ^ 2 $ en $ Q $ mees onlangse skattings van die variansie koers. Die afgeleide terugkeer is dan gelyk $ r_t = \ sigma_t \ epsilon_t $ waar $ \ epsilon_t \ sim N (0,1) $ wat ons verlaat met 'n taamlik bleek en wrang gesig soos ons weet wat in die praktyk wat werklik beteken! A 'n soort van vereenvoudiging vergadering 'n wye applous in finansiële probleme lewer die oplossing van GARCH (1,1) model: \ Sigma_t ^ 2 = \ omega + \ alpha r_ ^ 2 + \ beta \ sigma_ ^ 2 $$ Wat die waarde daarvan uitsluitlik op grond van die mees onlangse opdatering van $ r $ en $ \ sigma $ afgelei. As ons dink vir 'n korter tydjie, GARCH (1,1) moet ons te voorsien met 'n goeie smaak van voorspelde wisselvalligheid wanneer die reeks afgelope paar opbrengste was soortgelyk, maar sy swakheid na vore in die oomblikke van skielike spronge (skokke) in die prys verander wat veroorsaak oorskat wisselvalligheid voorspellings. Wel, nee model is volmaak. Net so as in die geval van ARCH model, vir GARCH (1,1) Ons kan die maksimum waarskynlikheid metode gebruik om die beste raming van $ \ alpha $ en $ \ beta $ parameters wat ons lei na 'n lang termyn wisselvalligheid van $ vind [\ omega / (1- \ alfa - \ beta)] ^ $. Dit word gewoonlik verkry in die iteratiewe proses op soek na die maksimum waarde van die som van al somme soos volg bereken: \ Sum_ ^ \ links [- \ ln (\ sigma_i) \ frac \ right] $$ Waar $ N $ dui die lengte van die opbrengs reeks $ \ $ ($ j = 2,8230;, N $) beskikbaar vir ons. Daar is spesiale toegewyde algoritmes vir dit te doen en, soos ons later sal sien, sal ons gebruik van een van hulle in Matlab te maak. Vir die res van die bespreking oor die verifikasie proses van GARCH model as 'n instrument om wisselvalligheid in die terugkeer tyd-reeks te verduidelik, voor-en nadele, en ander vergelykings van GARCH om ander ARCH-afgeleides Ek verwys u na die onsterflike en berugte kwantitatiewe Bybel van John Hull en meer in-diepte handboek deur 'n finansiële tydreekse rolmodel Ruey Tsay. Die voorspelling van die onvoorspelbare Die konsep van die voorspelling van die volgende skuif in bate prys gebaseer op GARCH model blyk opwindende en opwindende te wees. Die enigste bekommernis ons kan hê, en as dit is reeds deur ons erken, is die feit dat die geskatte opbrengs waarde is $ r_t = \ sigma_t \ epsilon_t $ met $ \ epsilon_t $ word 'n TV uit 'n normale verspreiding van $ N (0,1) $. Dit impliseer $ r_t $ 'n TV sulke $ r_t \ sim N (0, \ sigma_t) $ wees. Hierdie model is ons toegelaat om verder uit te brei na 'n aantreklike vorm van: r_t = \ mu + \ sigma_t \ epsilon_t \ \ \ \ sim N (\ mu, \ sigma_t) $$ Waar deur $ \ mu $ sal ons verstaan ​​'n eenvoudige gemiddelde oor afgelope $ k $ datapunte: \ Mu = k ^ \ sum_ ^ r_ \. Gaping-on-Ope winsgewende handel strategie Na 'n lang ruk, QuantAtRisk is terug na besigheid. As 'n algo handelaar Ek is altyd in die versoeking om 'n gaping op 'n oop handel strategie te toets. Daar was verskeie redes agter dit maar die gewildste een was altyd omni-bespreek: goeie / slegte nuus oor die voorraad. En wat? Die aandeelprys die hoogte ingeskiet / val neer op die volgende dae. Wanneer ons so 'n prys patrone benader, ons praat oor snellers of veroorsaak gebeurtenisse. Die kern van die algoritmes aktiwiteit is die sneller identifikasie en neem behoorlike optrede: 'n lang of kort te gaan. Dis dit. In beide gevalle wil ons geld te maak. In hierdie pos sal ons die ontwerp van die aanvanklike voorwaardes vir ons gaping-on-ope handel strategie wat as die snellers en ons sal 'n realistiese scenario van verbintenis ons geld op die aandele wat hoër op die volgende verhandelingsdag geopen backtest. Ons doel is om die mees optimale hou tydperk vir sodanige transaksies gesluit met 'n wins te vind. Ons strategie kan backtested wees met behulp van 'n $ N $ - asset portefeulje. Hier, vir eenvoud, laat ons gebruik 'n ewekansige subset van 10 aandele (portfolio. lst) 'n deel van 'n huidige Dow Jones-indeks: Toegepaste Portefeulje Optimization met Risikobestuur met behulp van Matlab Die e-boek bied die ins en outs van die Portefeuljekomitee optimeringsprobleem in die praktyk. Dit beskryf in detail die noodsaaklike teoretiese agtergrond staan ​​agter op soek na 'n optimale oplossing vir enige portefeulje van bates. Dit sluit 'n uitgebreide MATLAB kodes gereed om weer uit te voer en toe te pas as 'n deel van jou batetoewysing strategie. Die ebook bespreek die slaggate en algemeen onderskat konsepte van risiko in die beleggingsproses. Geskryf in 'n uiters kompakte, maar pragtig doeltreffende manier. Ontwerp as 'n gereed-om-te gebruik praktiese gids vir kwantitatiewe analiste, finansiële beleggers, en algoritmiese handelaars. 1st Edition. QuantAtRisk ondertekening van kwaliteit. 350 + lyne van MATLAB-kode ingesluit. Wat sal jy vind binne-in die boek. Eenvoud van Kompleksiteit, essensiële Matlab, Nader die teiken Portefeulje onder konstruksie Hong Kong 06:32 ( 'n inleiding tot bate handel konsep), Finansiële tydreekse (definisies, web-toegang, aflaai, pre-verwerking), Ontleding van Return-reeks (noodsaaklik dataverwerking), 2-bateportefeuljes (moderne portefeuljeteorie ,-portefeulje verband maatreëls), Doeltreffende Frontier vir 2-Asset portefeulje (teorie en impak van korrelasie tussen bates), beraming van Doeltreffende Frontier vir N-Asset portefeulje (implementering, portefeulje voorwerp konstruksie) Optimalisering onder Risiko New York City 21:06 (30-bateportefeulje in die praktyk, risiko en opbrengs, historiese impak van insette data, aspekte van portefeulje seleksie), risiko en opbrengs vir N-Asset Portefeulje (algebra, MATLAB kodes in aksie), Optimization Probleemformulering, standaard optimeringsprobleem, Portefeuljekomitee Toekenning Probleem by die werk (keuse van teiken, optimalisering proses, risiko of terugkeer?), Portefeuljekomitee optimization met risiko onder beheer (begrip van risikobestuur in lewende aansoeke) eerste Getuigskrifte Soos gewoonlik Pawel oorskry verwagtinge met die vorm en inhoud. Ek het gevind dat hierdie ebook baie handig en Matlab kode is baie goed geskryf. Jim Reynolds, NYC Ek was verras deur 'n lae aantal bladsye, maar uiters beloon deur die inhoud! MATLAB-kode is eenvoudig wonderlik! Im groot fan van Pawel webwerf en sy eerste ebook strek sy geloofwaardigheid as 'n quant met diep begrip van finansiële probleme. Ricardo de Ferri, Rio de Janeiro Ek tans studeer vir my CFA vlak 2 waarin die meeste van die konsepte wat in jou boek sowel en daarom is dit maklik om te hou verband met hulle. Rebinning Merk-Data vir FX Algo Handelaars As jy werk of van plan is om te werk met FX data ten einde te bou en backtest jou eie FX modelle, die Historiese Merk-Data van Pepperstone is waarskynlik die beste plek om af te skop jou algoritmiese ervaring. Soos vir nou, hulle bied merk-datastelle van 15 mees verhandelde geldeenheid pare sedert Mei 2009. Sommige van die unziped lêers (een maand data) te bereik meer as 400 MB in grootte, dit wil sê die stoor 8.5+ miljoene lyne met 'n regmerkie resolusie vir beide bod en vra 8220; prices8221 ;. 'N goeie ding is jy kan hulle almal gratis aflaai en hul kwaliteit is beskou as 'n baie hoë. 'N slegte ding is daar 'n 3 maande vertraging in die data toeganklikheid. Die hantering van 'n rebinning proses van bosluis-data up, dis 'n ander storie en die onderwerp van hierdie post. Ons sal sien hoe doeltreffend jy Pepperstones Merk-datastel (s) kan verander in 'n 5-minute tyd-reeks as 'n voorbeeld. Ons sal gebruik maak van script in bash (Linux / OS X) aangevul met dataverwerking in Python maak. Jy kan Pepperstones historiese bosluis-data aflaai van hier af. maand vir maand, paar deur paar. Hul innerlike struktuur volg dieselfde patroon, naamlik: Die kolomme, van links na regs, verteenwoordig onderskeidelik: 'n paar naam, die datum en merk-time, die bodprys, en die prys vra. Kom ons speel met AUDUSD-2014-09.csv data lêer. Werk in dieselfde gids waar die lêer is geleë ons begin met die skryf van 'n bash script (pp. scr) wat die volgende bevat: