Otimização de sistemas de negociação e carteiras quotResearch estudos tendem a se concentrar nos sistemas de negociação ou métodos de construção de carteira ou sistemas multi-agente (Smeureanu et al., 2012) separadamente. Alguns têm otimização de carteiras de sistemas de negociação (Moodyand, Lizhong, 1997), (Dempster, Jones, 2001), mas muito poucos abordaram problemas de otimização de portfólio de sistemas comerciais em grande escala (Perold, 1984). Os sistemas multi-agente raramente são usados na negociação, embora possam ser encontrados exemplos ocasionais (Arajo, de Castro, 2011). Quot Resumo Resumo Resumo Para compreender as tarefas de construção de carteiras em grande escala, analisamos os problemas da economia sustentável dividindo grandes tarefas em menores e oferecendo uma abordagem evolutiva baseada em sistema de avanço. A justificativa teórica para a nossa solução baseia-se na análise estatística multivariada das tarefas de investimento multidimensional, particularmente nas relações entre o tamanho dos dados, a complexidade do algoritmo e a eficácia do portfólio. Para reduzir o problema dimensional / tamanho da amostra, uma tarefa maior é dividida em partes menores por meio de agrupamento de similaridades de itens. Problemas semelhantes são dados a grupos menores para resolver. Os grupos, no entanto, variam em vários aspectos. Pseudo grupos formados aleatoriamente comporão um grande número de módulos de sistemas de tomada de decisão para alimentação avançada. O mecanismo de evolução forma coleções dos melhores módulos para cada curto período de tempo. As soluções finais são levadas para a escala global onde uma coleção dos melhores módulos é escolhida usando um perceptron sensível ao custo multiclass. Os módulos coletados são combinados em uma solução final em uma abordagem igualmente ponderada (1 / N Portfolio). A eficácia da nova abordagem de tomada de decisão foi demonstrada através de um problema de otimização de portfólio financeiro, que produziu quantidades adequadas de dados do mundo real. Para a construção de carteiras, utilizamos 11.730 performances simuladas de robôs comerciais. O conjunto de dados abrangeu o período de 2003 a 2012, quando as mudanças ambientais foram freqüentes e em grande parte imprevisíveis. As experiências avançadas e fora de amostra mostram que uma abordagem baseada em princípios de economia sustentável supera os métodos de referência e que o histórico de treinamento de agente mais curto demonstra melhores resultados nos períodos de um ambiente em mudança. Texto completo Artigo janeiro 2014 Raudys Aistis Raudys Pabarkait quotamp L Xu, (2003) quot Otimizando portfólios financeiros da perspectiva da mineração de estruturas temporais de retornos de estoque, em P. Perner e A. Rosenfeld, eds. Aprendizado de máquinas e mineração de dados no reconhecimento de padrões - MLDMx272003, pp 266-275, LNAI 2734, Springer Verlag. Assim como outros problemas básicos na análise financeira, o ótimo problema de seleção de portfólio foi resiliente à investida de pesquisadores das disciplinas de redes neurais artificiais e aprendizado de máquina3456. O uso da abordagem das redes neurais requer parâmetros ideais para aprender de forma adaptativa ao longo do tempo. Resumo Neste artigo, objetivamos introduzir como uma das técnicas de aprendizado estatístico recentemente desenvolvidas, análise de fatores temporais (TFA), que é originalmente dedicada ao estudo posterior da teoria de preços de arbitragem (APT) , Poderia ser explorado na mineração de dados financeiros para determinar o peso no problema de otimização do portfólio. Além disso, estudamos várias variantes da técnica de maximização da relação Sharpe baseada em APT que utilizam os conceitos de risco de queda da carteira e volatilidade reversa adaptada à necessidade de risco - Aversos e investidores agressivos que buscam lucros Texto integral Documento de conferência Jul 2003 Kai Chun Chiu Lei Xu quotLinear regressão do tempo de espera para a relação M / S em todos os mercados deu um coeficiente de correlação de -48. Isso é consistente com os resultados em 1 e 4, que mostraram que o treinamento RRL adapta os comerciantes ao maior custo de transação, reduzindo a freqüência comercial. No caso do comércio FX, uma relação M / S menor significa que o spread é um custo de transação equivalente relativamente maior e devemos esperar que a freqüência comercial seja reduzida. Resumo: Este estudo investiga comércio de moeda de alta freqüência com redes neurais treinadas através de aprendizagem de reforço recorrente (RRL). Comparamos o desempenho de redes de camada única com redes com uma camada oculta e examinamos o impacto dos parâmetros fixos do sistema no desempenho. Em geral, concluímos que os sistemas de negociação podem ser efetivos, mas o desempenho varia amplamente em diferentes mercados cambiais e essa variabilidade não pode ser explicada por estatísticas simples dos mercados. Também descobrimos que a rede de camada única supera a rede de duas camadas neste aplicativo. Documento de conferência Apr 2003 Desenvolvimento tecnológico e econômico da economia C. GoldFlexAdvantage Blog Portfolio Trading Plotando sua otimização Grandes fundos de índice e fundos mútuos que negociam passivamente são populares nos dias de hoje, mas mover grandes posições sem incorrer em impactos no mercado pode ser um desafio. Fundos de pensão e fundos indexados que reequilibram periodicamente suas carteiras uma vez por mês ou uma vez por trimestre podem enfrentar riscos de negociação de carteira semelhantes. FlexPTS (Portfolio Trade Scheduler) Para resolver este problema, FlexTrade criou o FlexPTS. Uma ferramenta de otimização sofisticada que determina o melhor cronograma de negociação para carteiras. Depois de receber uma lista de negociação de carteira com metas para comprar e vender, o FlexPTS gera um cronograma de ordens de compra e venda divididas em janelas de 15 minutos, de modo que os tamanhos alvo sejam atendidos no final do comércio. Representando a terceira etapa da oferta de análise avançada do FlexEdge da empresa, o FlexPTS foi projetado para janelas de vários dias e gerenciando portfólios globais. A biblioteca de otimização matemática de renome da IBM ILOG CPLEX é usada sob o capô. O produto é direcionado para empresas de compra ou venda que comercializam durante um período de meio dia, um dia ou vários dias porque partes da lista comercial são ilíquidas. Illiquid significa que o valor que precisa ser negociado nos nomes do portfólio é alto em relação aos volumes diários médios, explica Ran Hilai, vice-presidente de otimização de portfólio da FlexTrade. Como funciona o FlexPTS Para evitar custos de impacto no mercado, as empresas de compra e venda podem executar suas idéias através do otimizador FlexPTS, o que, em seguida, gera um cronograma de negociação de quanto em cada nome para comprar e vender. O agendamento comercial baseado em portfólio é fornecido através de algoritmos de otimização de última geração, análise de risco de portfólio e modelagem de impacto de mercado. Utilizado pelas mesas de negociação do programa, o FlexPTS emprega um algoritmo de negociação de portfólio de falta de implementação para ajudar os comerciantes a atingir o índice de preços de chegada. O déficit de implementação é uma medida da diferença entre o preço médio de execução e o preço quando o pedido chega na mesa de negociação. Além disso, os comerciantes precisam minimizar o risco de preço, mas estes podem ser objetivos conflitantes, explica Hilai. Se alguém quiser minimizar o custo relativo ao preço da chegada, eles precisam demorar muito negociando passivamente. Mas se alguém quiser negociar perto do preço da chegada para reduzir seus riscos, eles precisam negociar agressivamente antes que o preço mude, ele acrescenta. Negociar lentamente resulta em um baixo impacto no mercado, mas incorre em um alto risco de preço. No entanto, a negociação reduz rapidamente o risco de preço, mas resulta em um alto impacto, ele explica. O objetivo do FlexPTS é encontrar a programação que representa o melhor trade-off entre esses dois objetivos conflitantes, mantendo as restrições dos clientes. Por exemplo, os clientes podem definir suas próprias restrições, tais como, restrição de caixa: uma limitação definida no desequilíbrio entre os valores de compra e venda da parte ainda não executada do portfólio. Restrição de participação: um limite de comércio em termos de porcentagem do volume diário médio (ADV) da janela aplicado a cada intervalo de 15 minutos de troca. Controle de Risco de portfólio Embora a falta de implementação possa ser aplicada ao comércio de nomes únicos, agendar um portfólio inteiro é uma maneira mais efetiva de reduzir o risco, especialmente se for um portfólio longo / curto. Isso é verdade porque o agendador usa correlações de preços observadas para reduzir o risco de um comércio. Se este for um reequilíbrio do fundo, você normalmente possui uma carteira de compra e venda, ilustra Hilai. Ao aderir a um cronograma de negociação, você pode entrar no portfólio e fazer algumas negociações precocemente que podem melhorar o erro de rastreamento das compras em relação às vendas, diz Hilai. Então, uma vez que o erro de rastreamento é reduzido, você pode demorar mais tempo e negociar mais passivamente, já que você se encaixou no portfólio e não precisa gastar mais tempo em hedging, explica Hilai. O controle de risco é o ponto inteiro. O FlexPTS permite ao comerciante controlar o risco em todo o portfólio. Um agendador de comércio estima a volatilidade de qualquer carteira usando um modelo de risco de portfólio que, por sua vez, fornece estimativas da volatilidade de cada estoque e a correlação entre fatores de risco, como setores e indústrias, fatores fundamentais e estatísticos. Modelos de risco O FlexPTS incorpora o modelo de risco diário da Northfield Information Services, Inc .. ou este modelo pode ser substituído por qualquer cliente ou modelo de risco de terceiros. O modelo de risco está analisando todo o portfólio e cada nome possui correlações com outros nomes no portfólio. Alguns nomes são removidos imediatamente, porque isso irá remover o risco. Agendando seus negócios em termos de agendamento de carteira, se um comerciante se livrar dos nomes que estão adicionando riscos, então os retornos irão melhorar. No entanto, os retornos, especialmente a longo prazo, dependem da seleção de gestores de portfólio de participações. O FlexPTS apenas trata do custo de negociação em relação ao preço da chegada. O risco tem muito a ver com a correlação entre os nomes no portfólio, explica Hilai. Como resultado da execução do FlexPTS, o comerciante terá um cronograma de negociação para completar o comércio. Enquanto o PTS não seleciona os nomes para o comércio, ele simplesmente sugere um comércio. Se o comerciante vai linha por linha, os nomes que serão concluídos cedo serão os nomes líquidos, enquanto os nomes ilíquidos serão finalizados por último, explica Hilai. Se os comerciantes se desviam da programação sugerida devido a razões como uma combinação de pool escuro em um nome ilíquido, o otimizador FlexPTS pode ser invocado várias vezes para re-otimizar o cronograma de comércio restante. Ao contrário da maioria dos algoritmos disponíveis, o FlexPTS, que lida com horários de dia inteiro, de um dia ou de vários dias, pode determinar automaticamente o tamanho ideal da janela de comércio. Under the Hood Uma vez que o FlexPTS é um otimizador, ele possui uma função de utilidade com restrições. A função de utilidade é definida como a minimização do custo de impacto do mercado esperado mais o risco de mercado esperado. A utilidade é construída com duas funções: o impacto esperado no mercado com base no modelo que o FlexPTS está usando em todo o portfólio e a duração do comércio. O FlexPTS coloca o risco, que é a raiz quadrada da variância na função de utilidade e o troca contra o custo esperado. Outros sistemas podem usar a variância porque é matematicamente mais fácil, mas dá resultados inferiores, de acordo com Hilai. O Processo em Ação Ao medir o risco em todo o portfólio, um determinado horário de um dia poderia instruir o comerciante a executar 26 negociações diferentes em intervalos de 15 minutos. O modelo de risco proporcionará a variância. Então, o FlexPTS adicionaria as variações de todas as 26 negociações e, em seguida, levaria a raiz quadrada da soma. Isso resulta na variação esperada em relação ao preço da chegada, de acordo com Hilai. No final do cronograma, seja o lado da compra ou do lado da venda, o comerciante deve completar a quantidade total de execução exigida pelo gerente de portfólio, diz Hilai. Essas são as restrições e a função de utilidade existe para minimizar o Valor em Risco, diz ele. Confidencialidade Para preservar a confidencialidade de sua estratégia, comprar comerciantes de lado pode otimizar seus negócios sem expor a lista inteira ao lado da venda. Ao invés de enviar toda a lista, os negócios podem ser encaminhados para mesas de venda ou servidores algorítmicos em pedidos menores seguindo a programação ideal fornecida pelo FlexPTS. Conclusão Os usuários podem acessar as ações do FlexPTS na barra de ferramentas no FlexTRADER EMS. Depois que um portfólio é otimizado, a programação resultante pode se tornar parte integrante de qualquer estratégia de execução no FlexTRADER, incluindo o uso de algoritmos de negociação personalizados e todas as piscinas escuras disponíveis. Durante a negociação, várias análises do FlexPTS atualizam constantemente o front-end FlexPTS. Para obter mais informações sobre o FlexPTS e sua integração com seu sistema, entre em contato conosco no salesflextrade.
No comments:
Post a Comment