Negociação sistemática de ações

Aviso Legal.
Os seguintes termos de uso aplicam-se a este site e a todos os aplicativos aos quais você está autorizado a acessar através deste site.
POR FAVOR, LEIA ATENTAMENTE ESTES TERMOS E CONDIÇÕES DE USO ANTES DE UTILIZAR ESTE SITE, INCLUINDO AS APLICAÇÕES QUE VOCE PODE ACESSAR A NESTE WEBSITE (coletivamente, este site e os aplicativos subjacentes que você pode acessar através deste site devem ser referidos como "Website"). Ao usar este site, você significa seu consentimento para esses termos de uso. Se você não concorda com estes termos de uso, não use o site. A IPM, juntamente com suas subsidiárias diretas e indiretas (IPM) de propriedade total, reserva-se o direito, a nosso critério, de alterar, modificar, adicionar ou remover partes desses termos a qualquer momento. Por favor, cheque estes termos periodicamente por mudanças.
WEBSITES / FRAMES / USO LINKED / USO.
RESPONSABILIDADE POR USO E CONTROLO DE SENHAS E INFORMAÇÕES CLIENTES.
- Pedir informações pessoais. Esses e-mails geralmente afirmam que sua informação foi comprometida ou congelada ou solicita que você confirme sua identidade.
- Link para sites falsificados. Esses sites podem parecer legítimos, mas, de fato, coletam informações pessoais para uso ilegal. Eles também podem incluir um link para o site real na tentativa de fazer o link parecer legítimo.
- Contém números de telefone fraudulentos. Esses números de telefone geralmente estão ligados diretamente aos autores de fraudes. Nunca ligue para um número apresentado em um e-mail que você suspeite que é fraudulento e certifique-se de verificar novamente os números que você faz. Além disso, um número legítimo pode ser incluído na tentativa de autenticar o e-mail.
- Exclua emails suspeitos sem abri-los. Se você abrir um email suspeito, não abra nenhum anexo ou clique nos links que ele possa conter.
- Marque os sites que abrigam informações da conta pessoal e use esses marcadores para navegar diretamente para esses sites.
- Instale e atualize regularmente o software de proteção contra vírus.
- Mantenha atualizado o sistema operacional e o navegador da Web.
Equidade sistemática.
A estratégia de Equidade Sistemática do IPM pode ser vista como uma evolução do conceito de Smart Beta que aloca riscos dinamicamente entre um conjunto de prêmios de risco de ações. A base da abordagem utiliza predominantemente dados contábeis da empresa e evita explicitamente os esquemas tradicionais de ponderação de capitalização.
Em essência, a metodologia resulta em reequilíbrio contra oscilações nos preços de mercado, dando ao portfólio uma exposição de valor, dinâmica em sua natureza. Além disso, a estratégia agrega exposições a outras premissas de risco, como qualidade, tamanho e impulso, bem como mais fatores avançados que não são capturados em dados contábeis. A implementação é totalmente sistemática e baseada em modelos de investimento de propriedade.
A estratégia e sua implementação resultam em carteiras bem diversificadas representativas dos mercados de ações mais amplos, mas com um desempenho esperado. O universo do investimento pode ser adaptado às demandas dos investidores, e os veículos em fundos comuns estão atualmente disponíveis para portfólios globais, dos EUA, da Europa e dos mercados emergentes.
Como parte de seus esforços de investimentos responsáveis, a IPM aplica sua política de ESG, incluindo compromissos e / ou exclusões de empresas consideradas como violadoras das normas e convenções internacionais e uma melhor dimensão na construção da carteira.
UM INVESTIMENTO EM FUTUROS É ESPECULATIVO E IMPLICA RISCOS SUSTENTÁVEIS, INCLUINDO O RISCO QUE UM INVESTIDOR PODE PERDER ALGUMA OU TODA, OU NO CASO DE UMA CONTA ADMINISTRATIVA MONTANTE EM EXCESSO DE, SEU INVESTIMENTO. O DESEMPENHO PASSADO NÃO É NECESSÁRIO INDICATIVO DOS RESULTADOS FUTUROS.
EM CONFORMIDADE COM A EXENÇÃO DA COMISSÃO DE NEGOCIAÇÃO DOS FUTUROS DE PRODUTOS BÁSICOS EM RELAÇÃO ÀS CONTAS DE PESSOAS ELIGÍVEIS QUALIFICADAS, ESTE DOCUMENTO DE FOLLETA OU DE CONTA NÃO É NECESSÁRIO E NÃO FOI APRESENTADO COM A COMISSÃO. A COMISSÃO DE NEGOCIAÇÃO DE FUTUROS DE PRODUTOS BÁSICOS NÃO PASSA SOBRE O MÉRITO DE PARTICIPAR EM UM PROGRAMA DE NEGOCIAÇÃO OU SOBRE A ADEQUAÇÃO OU A PRECISÃO DA DIVULGAÇÃO DE CONSULTORES DE PRODUTOS COMERCIAIS. CONSEQÜENTEMENTE, A COMISSÃO DE NEGOCIAÇÃO DE FUTUROS DE PRODUTOS BÁSICOS NÃO REVISOU OU APROVOU ESTE PROGRAMA DE NEGOCIAÇÃO OU ESTE DOCUMENTO DE FOLLETA OU DE CONTA.

USANDO ESTRATÉGIAS DE EQUIDADE SISTEMÁTICA PARA CONSTRUIR PORTUGUÊS MELHORADAS.
23 de abril de 2018 | Factor Investing.
As Estratégias de Patrimônio Sistemático, quando representadas como fatores em modelos de risco, permitem aos gestores de investimentos monitorar melhor as fontes de risco e o retorno das carteiras de ações. Acreditamos que eles também melhoram a precisão da previsão e ajudam a construção de carteiras que se inclinam para (ou longe) dessas estratégias, que são implementações baseadas em regras ou baseadas em computador.
Existem dois motivos principais para a incorporação de fatores SES em um modelo de previsão de risco:
A maioria dos fatores SES é vista pelo mercado como preditores de fluxos de caixa futuros de empresas. Como resultado, eles são drivers de retornos de estoque esperados. Na prática, esses fatores também foram vistos como fontes importantes de retornos anormais. Como motor de retornos de ações, os fatores da SES também são fatores de volatilidade e correlações entre os estoques. Os fatores de SES nos modelos de risco permitem que os gerentes de investimentos medem essa volatilidade e seu efeito de correlação. Algumas Estratégias de Equidade Sistemática podem levar ao risco de aglomeração como grandes conjuntos de fluxo de capital para essas estratégias. Os investidores que usam modelos de risco com fatores SES são capazes de medir e monitorar suas exposições a essas estratégias lotadas e tomar decisões de compensação de risco e retorno mais informadas.
Nós agrupamos Estratégias de Equidade Sistemática ao longo de quatro grandes categorias: Avaliação, Qualidade, Sentimento e Momentum. Cada uma das quatro estratégias é, por sua vez, dividida em sub-estratégias e fatores subjacentes, como se vê na exposição abaixo.
O agravamento de uma estratégia pode resultar em uma melhor eficiência do mercado, como uma descoberta mais rápida de preços no curto prazo. Embora o aglomerado reduza a efetividade da estratégia na previsão de retornos de estoque, ainda é uma importante fonte de risco durante o período de descoberta de preços devido a fricções, como restrições de curto prazo e custos de transações.
Existe uma dimensão adicional do risco de aglomeração que é válida para uma ampla gama de estratégias "não contratadas", especialmente quando o investidor que persegue a estratégia não sabe quanto o capital está a persegui-la. O agravamento nessas estratégias pode resultar em preços que se movem para e depois para longe dos preços fundamentais. Quando há um desvio suficiente dos preços fundamentais, outros gerentes (seguindo as estratégias de avaliação) podem intervir para se beneficiar da oportunidade de investimento. Neste caso, o aglomerado na estratégia introduz volatilidade adicional durante o processo de descoberta de preços.
Acreditamos que incorporar fatores SES em modelos de risco pode fazer o seguinte:
Melhorar as previsões de risco de portfólio, especialmente para os gerentes de portfólio que voluntariamente adquirem grandes preços aos fatores da SES Ajudar os investidores a tomar melhores decisões de trade-off entre risco e retorno dessas estratégias Fornecer uma estrutura para analisar estratégias de investimento potencialmente lotadas.
Leia como o nosso Scorecard Crowding pode ajudar a monitorar e detectar o risco de aglomeração de um investimento.

Descoberta UCL.
Deposite sua pesquisa.
Applied Machine Learning para negociação de ações sistemáticas: detecção de tendências, construção de portfólio e execução de ordens.
Sethi, M; (2018) Aprendizado de máquinas aplicadas para negociação de ações sistemáticas: detecção de tendências, construção de portfólio e execução de ordens. Tese de doutorado, UCL (University College London).
ThesisFinal_MininderSethi. pdf - ["content_typename_Submitted version" não definido]
Acesso restrito à equipe de acesso aberto da UCL até 1 de agosto de 2019.
A negociação sistemática de ações constitui a base do Global Asset Management Industry. Os analistas estão tentando superar um investimento passivo em um Índice de Equidade. No entanto, as estatísticas mostraram que a maioria dos analistas ativos não conseguem vencer o índice constantemente. Esta Tese investiga a aplicação das técnicas de Aprendizado de Máquinas, incluindo Redes Neurais e Modelos Gráficos, à negociação sistemática de ações. Através de abordagens que se baseiam na trapaabilidade econômica, é mostrado como a Aprendizagem Automática pode ser aplicada para alcançar o desempenho de Índices de Equidade. Nesta Tese, são consideradas três facetas de uma estratégia de negociação completa, tais como Trend Detection, Portfolio Construction e Order Entry Timing. Essas três facetas são consideradas em uma estrutura de Aprendizado de Máquinas integrada e uma série de novas contribuições são feitas para o estado da arte. Uma série de questões práticas que muitas vezes são negligenciadas na literatura também são abordadas. Esta Tese apresenta uma estratégia de negociação baseada em Aprendizagem completa que mostra gerar lucros sob uma variedade de condições comerciais. A pesquisa apresentada é composta por três experimentos: 1- Uma Nova Estrutura de Rede Neural para Negociação Rentável de Longo Prazo - O primeiro experimento foca em encontrar oportunidades comerciais de curto prazo ao nível de um estoque individual individual. Um novo método Neural Network para detectar oportunidades de negociação com base em apostas com ou contra uma recente tendência de curto prazo é apresentado. A abordagem adotada é uma desvantagem da maior parte da literatura onde o foco está na previsão de direção do próximo dia. 2- Uma nova estrutura de modelo gráfico para construção de portfólio de capital dinâmico - O segundo experimento considera a questão da construção de carteira. É apresentada uma estrutura do Modelo Gráfico para Construção de Portfólio nas condições em que os negócios são mantidos apenas por curtos períodos de tempo. O trabalho é importante, pois as técnicas padrão de Construção de Carteiras não são adequadas para portfólios altamente dinâmicos. 3- Um Estudo da Aplicação da Aprendizagem Online para o Tempo de Entrada da Ordem - O terceiro experimento considera a questão da Execução da Ordem e como otimizar o tempo de entrada das ordens de negociação no mercado. O experimento demonstra como as técnicas de Aprendizagem on-line poderiam ser usadas para determinar um tempo mais ótimo para a entrada na ordem do mercado. Este trabalho é importante porque o tempo de ordem para a Execução Comercial não foi amplamente estudado na literatura. As abordagens que formam o estado atual da arte em cada uma das três áreas de Detecção de Oportunidade de Negociação (Tendência), Construção de Carteira e Tempo de Entrada de Ordem freqüentemente ignoram problemas reais, como Liquidez e Custos de Transação. Cada um dos novos métodos apresentados nesta Tese considera questões práticas relevantes. Esta Tese faz as seguintes Contribuições para a Ciência: 1- Um novo método baseado na Rede Neural para detectar oportunidades comerciais de curto prazo para ações isoladas. A abordagem baseia-se em premissas econômicas sólidas e é semelhante à abordagem adotada por um comerciante humano experiente, onde as tendências das ações são identificadas e uma decisão é tomada para seguir essa tendência ou para negociar contra ela. 2- Um método gráfico baseado no modelo gráfico para construção de portfólio. As técnicas de portfólio padrão não são adequadas para um ambiente dinâmico em que os negócios são mantidos somente por curtos períodos de tempo, é apresentado um método para a Construção de Carteira em tais condições. 3- Um estudo sobre a aplicação da aprendizagem on-line para o cronograma de entrada de pedidos. O tempo de entrada de pedidos para a execução comercial não foi amplamente estudado na literatura. Costuma-se assumir que as ordens de negociação seriam executadas no dia do fechamento do preço de fechamento. Na prática, não há nenhuma razão real para negociar no fechamento e é mostrado que uma melhor execução pode ser obtida através da negociação em um tempo anterior, o que pode ser determinado através da aplicação da Aprendizagem Online.

Negociação sistemática de ações
Como a negociação sistemática e algorítmica impacta ações e como se beneficiar desse entendimento.
22 de agosto de 2017 3:37 PM.
Estratégias sistemáticas e algorítmicas estão cada vez mais movendo mercados e ações individuais.
Os investidores podem se beneficiar com o reconhecimento de como os algoritmos podem ser analisados ​​em questões específicas.
O método de análise do "mercado beta" considera como as condições técnicas dos preços afetam os mercados e os estoques individuais, observando persistência de preços, volatilidade e divergência / convergência média.
Algoritmos e sistemas de negociação sistemática baseados em regras passaram de representar cerca de 30% do mercado até agora dominando onde apenas 10% daqueles que influenciam as decisões de saldo de oferta e demanda são "comerciantes discricionários fundamentais", JPMorgan (NYSE: JPM) chefe de recursos quantitativos e pesquisa de derivados Marko Kolanovic pronunciada recentemente. Em uma nota de pesquisa de junho de 2017 aos clientes, ele disse que tal negociação indubitavelmente influencia o preço de determinados títulos. Na verdade, ele atribuiu o 9 de junho e 12 venda em estoque de tecnologia para algoritmos baseados em computador que recebem sinais de venda.
Como um algoritmo de computador vê ações é talvez um dos fatores mais importantes que impulsionam um preço de ações hoje, mas poucas pessoas têm alguma pista de como funciona, quais algoritmos pensam sobre suas ações e por que uma ação pode estar subindo ou baixando no preço ausente notícias fundamentais.
Isso está prestes a mudar.
O objetivo desta série de artigos é iluminar em vários graus como certos algoritmos podem ver ações individualmente nomeadas. Nós não só consideramos fatores técnicos do mercado, mas também conecta pontos com forças econômicas fundamentais que influenciam os algoritmos mais do que geralmente é reconhecido.
Realizando o objetivo de fornecer uma análise concisa de como, literalmente, bilhões de linhas de código podem pensar não é tarefa fácil de ter certeza. Pode-se argumentar que cada algoritmo tem seu próprio conjunto de características, tendências de mercado e desencadeantes de execução idiossincráticos que tornam a condensação uma visão mais que desafiadora, alguns podem dizer impossíveis.
Embora o argumento de que cada algoritmo seja único por direito próprio tenha mérito significativo, tende a discordar de que uma visão de consenso geral não pode ser desenvolvida. Embora seja uma tarefa difícil, não é impossível.
Como alguém que estudou várias estratégias de negociação sistemática, desenvolveu programas de negociação profissional para uso em uma configuração de fundo de hedge, escreveu ou contribuiu para quatro livros e ensinou um curso de Educação Executiva da Universidade Northwestern sobre o tema, acredito que em grande medida , os sistemas de negociação e investimento baseados em computador podem ser entendidos por gestores de portfólio fundamentais uma vez que a perspectiva apropriada é explicada. Em particular, isso significa correlacionar um componente de estratégia ou fórmula com seu macro "ambiente de mercado beta".
Enquanto o código do computador e a matemática por trás de cada algoritmo de negociação ou investimento exclusivo são quase sempre únicos e complexos, uma tese conduzindo essa filosofia é que existem fundamentos fundamentais, drivers de desempenho inatos que se relacionam com um ambiente de mercado macro maior que impulsiona o sucesso da maioria dos algoritmos sistemas independentemente da sua complexidade.
Na série de artigos, analisaremos os fatores algorítmicos que podem influenciar o desempenho de um estoque em um formato fácil de ler.
Ao analisar um algoritmo, iniciar o enquadramento para entender como isso funciona a partir desta perspectiva de mercado do mercado beta pode ser imensamente valioso. Com este entendimento, você não só pode reconhecer como ou por que um estoque pode ser influenciado por um programa sistemático, mas isso não é tudo. Alocadores institucionais sofisticados podem usar o sistema para desenvolver carteiras de investimento não correlacionadas, fazer avaliações quantitativas de hedge funds e decisões de seleção, e gerenciar investimentos alternativos no futuro, com uma compreensão do mercado beta.
Deve ficar claro, no entanto, que o que é discutido não é simples. Não estão sendo feitas reivindicações que os algoritmos são fáceis de construir ou entender completamente. A afirmação é que, ao iniciar uma compreensão desses algoritmos a partir de uma perspectiva macro baseada no ambiente de mercado beta, podemos entender melhor o que está gerando fatores de oferta e demanda em uma determinada estratégia de negociação de estoque, mercado ou hedge funds.
Nesta série de artigos para Seeking Alpha, vou tentar tomar a complexidade de vários algoritmos, dividi-los em nuggets compreensíveis. Não estou ensinando as pessoas a fazer isso; isso seria infinitamente mais complexo. O que estou sugerindo é que, se os investidores reconhecerem os ambientes básicos do mercado beta que influenciam a negociação algorítmica, eles podem obter uma sensação do que pode estar dirigindo a direção do preço de suas ações individuais e / ou reconhecer como vários sistemas de hedge funds podem funcionar.
Uma das chaves do sucesso é quebrar a complexidade, o primeiro ponto é reconhecer o número de ambientes de mercado que dominam.
Eu considero principalmente três ambientes técnicos de mercado beta: persistência de preços, usado em uma estratégia de estratégia / momento; significa divergência e convergência de preços de ativos relacionados utilizados em valor relativo; volatilidade de preços usada em sistemas algorítmicos que são afetados por movimentos repentinos e grandes de preços. Estes não são os únicos ambientes de mercado por qualquer meio. Eu uso estes três como um ponto primordial de compreensão porque este era meu método quando um praticante de construção de carteiras não correlacionadas e relaciona-se com a pesquisa realizada. (Consulte a seção "ambiente de mercado beta" abaixo.)
Muito parecido com o factor de investimento, onde agora existem mais de 300 fatores econômicos estão gerando vários sistemas baseados em beta, existem inúmeras considerações de meio ambiente de mercado de subcategoria, como a reversão média e várias teorias de breakout que são aplicadas. Lance Humphrey, Gerente de Carteira da USAA que administra mais de US $ 5 bilhões, apontou para mim neste podcast, há muitos fatores sendo "descobertos". Ao invés de se perder na complexidade, ele entende mercados reconhecendo primeiro o mais significativo e útil fatores e ampliação da sabedoria a partir desse ponto.
Eu tomo a mesma abordagem com os fatores técnicos de preços do mercado beta.
Abaixo estão os detalhes técnicos adicionais em torno dos principais ambientes de mercado beta normalmente considerados nesta análise, juntamente com algum suporte acadêmico quando disponível.
Beta Método de Análise do Mercado e Leitura Recomendada:
A tese de que os "ambientes de mercado beta" técnicos influenciam estratégias de negociação algorítmicas foi visto pela primeira vez em um livro que escrevi High Performance Managed Futures (Wiley, 2018). Significativo neste livro foi o olhar estatístico a partir da página 239, onde os três principais ambientes de mercado beta esboçados foram perfilados em uma base estatística usando dados de retorno mensais. Mais tarde, análises diferentes usando diferentes marcos comerciais e técnicas analíticas melhoraram a visão. Pensamentos e pesquisas sobre o tema cresceram, assim como a tese subjacente, que depois foi expandida em uma Educação Continuada da Universidade Northwestern que abordou a medida da estratégia algorítmica, bem como em vários artigos e delineados em um capítulo do livro de Bailey McCann, Portfolios Táticos: Estratégias e Táticas para Investir em Hedge Funds (Wiley, 2018).
Esta seção do artigo é mais técnica do que a maioria das análises do mercado de ações que usará ambientes de mercado beta como base, mas é menos técnica do que um desenvolvimento documentado usado para criar uma estratégia CTA ou algorítmica.
O conceito central que envolve a análise do ambiente de mercado beta.
O sucesso do processo de análise do ambiente do mercado beta baseia-se na complexidade da complexidade encontrada em uma estratégia ou algoritmo de hedge funds, primeiro entendendo os componentes fundamentais, os principais drivers de desempenho, que são causalidade direta para o sucesso.
É uma verdade central, uma que não é frequentemente discutida em público, que todos os algoritmos de negociação, sendo fórmulas sujeitas a lógica if / then, são bem sucedidos quando descobrem eventos de mercado repetitivos. Esses eventos de mercado têm características técnicas identificáveis ​​que podem ser melhor compreendidas pelo primeiro reconhecimento de como eles reagem ao que eu chamo de "ambiente de mercado beta". Por definição, uma estratégia que se enquadra em uma determinada categoria de ambiente de mercado beta é positiva ou negativamente impactada quando A condição do ambiente do mercado beta está em vigor ou ausente. Os ambientes beta de mercado são estatisticamente medidos usando fórmulas consistentes. Enquanto a maioria dos CTA mantêm seus métodos algorítmicos em segredo, a menos que eles falem com consultores, existem alguns CTAs que me reconheceram para consumo público que identificam os fatores ambientais do mercado em suas análises, incluindo Natixis (em uma conversa de podcast) e Graham Capital Management, para instância. A Bridgewater Associates, que não usa estratégias tradicionais de CTA, se envolve na segmentação beta e volatilidade, elas revelaram em uma entrevista exclusiva.
Os ambientes beta de mercado são divididos em três categorias primárias com muitas sub-categorias:
Price Persistence é um ambiente de mercado beta em que a força de uma tendência de preços é forte e os preços de um determinado recurso continuam a se mover em uma direção. Este ambiente de mercado é propício para muitas estratégias algorítmicas, como incluir seguimento de tendências, dinamismo e muitas das estratégias de subcategoria, como a teoria da ruptura. A reversão média é colocada sob a categoria de persistência de preços para fins específicos de desenvolvimento de carteira e porque é influenciada pelo ambiente de mercado de persistência de preços e força de tendência, sendo negativamente correlacionada. Na análise de ações individuais, este trabalho será amplamente referenciado. A persistência de preços é um ambiente de mercado que é comumente referenciado por profissionais da indústria através de uma variedade de medidas publicamente disponíveis. A persistência de preços muitas vezes tem raízes fundamentais e econômicas que foram melhor explicadas através de vários documentos acadêmicos listados na última seção abordando este tópico, bem como vários livros excelentes sobre o tema da tendência seguindo e impulsionando e investindo. A volatilidade é o movimento do preço de um ativo em sucessão rápida e sucessão às vezes surpreendente. A divergência do seu preço significa - e uma separação da sua versão beta, que mede a volatilidade relativa - são usadas na análise para identificar possíveis desencadeantes comerciais. A volatilidade tipicamente tem um impacto significativo nos outros dois ambientes de mercado primários, muitas vezes inflamando a persistência de preços e criando uma forte força de tendência (mais pronunciada durante a crise financeira global de 2008). Da mesma forma, a volatilidade muitas vezes cria uma oportunidade para estratégias de valor relativo, criando a divergência média e, depois, após o impacto da volatilidade se dissipar, significa convergência. A análise de volatilidade quando combinada com persistência de preços e análise de valor relativo será freqüentemente usada para explicar o impacto algorítmico em ações individualmente nomeadas, já que os gatilhos de volatilidade têm uma correlação estatística com a força da tendência que pode ser explicada numa base econômica fundamental. A volatilidade é mais comumente medida através de índices populares, como o CBOE VIX, que baseia seu preço no volume de opções. Embora o volume de opções seja significativo - e reconhecer os sinais de ambas as opções e a negociação de futuros de ações simples é significativa - a análise de volatilidade, em relação às ações de ações individualmente nomeadas, em relação ao seu desvio padrão histórico de preços, especificamente mensurado separadamente por desvantagens e desvios. Divergência média / Convergência é o ambiente de mercado que afeta estratégias de valor relativo, disseminação e arbitragem e tem um impacto muito menos conhecido, mas igualmente poderoso em relação às ações individualmente designadas. A divergência média ocorre quando o preço de um activo varia substancialmente em relação ao preço de outro bem com uma correlação econômica profunda. Há pontos em que a divergência média é de natureza técnica e, então, ocorre uma convergência, que completa o ciclo de arbitragem de valor relativo / propagação. Mas, o mais materialmente, para análise de estoque individual é quando um preço de estoque desvia de sua correlação média com uma correlação econômica profunda. Em muitos sistemas, isso envia um gatilho de execução comercial e fornece indícios de alterações econômicas fundamentais que estão ocorrendo em um estoque em relação ao seu mercado beta. Embora a divergência / convergência média não seja medida publicamente no mesmo grau que a persistência ou a volatilidade dos preços, existem medidas matemáticas definitivas que quantificam essa atividade e serão combinadas com uma sobreposição econômica fundamental para entender os movimentos de preços em ações individualmente designadas.
Existem tendências estatísticas que definem definitivamente cada uma dessas estratégias que são explicadas na análise da estratégia individual abaixo, com especial ênfase na porcentagem de ganhos em relação ao tamanho da vitória e pior redução. Essas medidas serão combinadas com outros indicadores algorítmicos significativos para sobrepor em cima das ações individuais para entender a força algorítmica por trás ou contra uma estratégia particular. A porcentagem de vitória de um desencadeador de execução particular geralmente aumenta com o número de sobreposições algorítmicas corretamente correlacionadas. Ao realizar a análise de estoque individual, os leitores notarão que uma confluência de sinais recebe uma ponderação significativa sobre um sinal individual.
Mas antes de avançar ainda mais nas ervas daninhas em relação à análise do ambiente do mercado beta, consideremos sua história.
A história da análise do ambiente de mercado beta.
Tendo uma consulta de história com vários intercâmbios e participantes do mercado no setor de derivativos, notei que as estratégias usadas no chão de câmbio (de volta quando os seres humanos tinham um papel significativo) eram variadas. Trend following recebeu a atenção pública mais popular e foi documentado para ser o mais popular de longe, com muitos profissionais e acadêmicos argumentando que esta era a única estratégia de CTA de futuros gerenciados válida. Eu me diverti do consenso, o que, na minha opinião, não estava examinando todos os dados. Defendi uma abordagem de estratégia diversificada que alavancasse vários ambientes de mercado, e não apenas um. Eu negociei profissionalmente uma estratégia de volatilidade ao longo da curva de rendimentos e, ao executar uma divisão de CTA de futuros gerenciados para uma pequena empresa de corretagem / negociação, construímos carteiras CTA não correlacionadas com base no conceito de ambiente de mercado. Este negócio foi mais tarde impactado negativamente em diferentes graus pelo fracasso do MF Global e Peregrine Financial Group.
Iniciaram-se investigações sobre a análise do ambiente de mercado beta ao estudar fundos hedge que falharam. O banco de dados CTA do "Cemitério" BarclayHedge foi, no início, muito desafiador para analisar, um tópico parcialmente discutido em meu Futuro Gerenciado de Alto Desempenho de livros de 2018 e, mais tarde, no livro de Carteiras Táticas. Mas, em última análise, eu girei o fundo retornar dados ao redor, olhando-o desde o ponto de falha para trás, e descobri algumas provincias estatísticas como hedge funds estavam falhando - movendo-se para uma "espiral da morte" - que poderia ser explicada em uma base fundamental. Isso foi usado no desenvolvimento não apenas de um método para monitorar o desempenho dos fundos de hedge, mas também forneceu informações sobre a estabilidade da estratégia de desencadeantes algorítmicos. O meu pensamento avançou nos últimos oito anos e as três descobertas mais importantes feitas através desta pesquisa foram: 1) Fundos de hedge sistemáticos que falharam tiveram uma tendência estatística para oferecer desempenho incompatível com o ambiente de mercado beta declarado e os principais drivers de desempenho; 2) Os fundos de hedge que superaram significativamente os pares de mercado com base em benchmarks específicos de desvantagem e de desvantagem foram mais prováveis ​​de falhar no longo prazo; 3) Reconhecendo a propensão estatística de cada estratégia, com foco em desvantagens e desvantagens e análise de correlação, pode fornecer uma visão única sobre o que move os mercados e os preços das ações, particularmente devido ao aumento da influência das estratégias algorítmicas tardias. A totalidade dos achados do estudo não foi divulgada, pois muitas das descobertas são usadas em uma base comercial. Sabe-se que a eficácia do algoritmo tem um valor de informação decrescente que está correlacionado negativamente com a exposição. No entanto, certas estratégias são mais elásticas do que outras.
Para mais detalhes sobre como os ambientes de mercado macro impactam os mercados e a construção de carteiras em geral, bem como a leitura recomendada de documentação acadêmica pública, veja também:
Faber, Meb, uma abordagem quantitativa para atribuição de ativos táticos (1 de fevereiro de 2018). The Journal of Wealth Management, Spring 2007. Disponível na SSRN: uma abordagem quantitativa para a alocação tática de ativos por Meb Faber: SSRN.
Meucci, Attilio, Managing Diversification (1 de abril de 2018). Risco, pp. 74-79, maio de 2009; Bloomberg Education & amp; Documento Quantitativo de Pesquisa e Educação. Disponível na SSRN: Gerenciando Diversificação por Attilio Meucci: SSRN.
Li, Lingfeng, Fatores Macroeconômicos e Correlação de Retenção de Estoque e Obrigações (novembro de 2002). Yale ICF Working Paper No. 02-46; Reuniões AFA 2004 de San Diego. Disponível na SSRN: Fatores Macroeconômicos e Correlação de Retenção de Estoque e Obrigações por Lingfeng Li: SSRN.
Com uma visão geral da filosofia do mercado de mercado beta em vigor, considere como cada uma das estratégias primárias difere estatisticamente - alterando seus algoritmos de execução - e o que isso significa para entender o impacto da negociação sistemática nos preços do mercado e das ações individuais.
Persistência de preços: Tendência seguinte / Momentum / Breakout Theory:
A estratégia de negociação algorítmica CTA mais popular, com a maior quantidade de adoção profissional e documentação em torno de seus métodos, é seguir a tendência. Historicamente, isso envolveu o uso de médias móveis simples ou exponenciais (ou uma combinação) através de uma "cruzamento médio móvel" de dois prazos para emitir um sinal de compra ou venda. Por exemplo, o Societe Generale Trend Indicator, um método popular para comparar a tendência após a versão beta, usa uma média média de 20 dias / 120 dias para comparar uma tendência de preços em 55 mercados em quatro classes de ativos. Isso é considerado um horizonte de tempo intermediário por muitos praticantes, e o horizonte temporal é um fator chave ao avaliar tais sistemas e comportamento de tendência em um determinado mercado. Modelos mais avançados aplicam uma lente de impulso de séries temporais, modelos adaptativos ou usam o critério de Nyquist ou modelos de filtro de Kalman para reduzir o ruído estatístico, o que também melhora a porcentagem de ganhos, mas, por vezes, resulta em uma tendência em um ponto diferente do que o mais sensível desencadeadores de execução.
Aqui está o ponto chave: enquanto todos os modelos de tendência, momentum e breakout têm importantes diferenças diferenciadas, eles comparam a existência do mesmo - uma tendência ou impulso em um determinado mercado. Embora eles geralmente identifiquem a mesma tendência com desencadeadores de execução que operam em intervalos de tempo ligeiramente diferentes, é a força geral do mercado de beta-mercado que, por definição, determina o sucesso.
Uma premissa da filosofia de análise do ambiente do mercado beta é que quando um ambiente de mercado positivo está presente - persistência de preços em um determinado bem, por exemplo - isso resulta em desempenho positivo e vice-versa. Isso resulta em uma determinação da força de uma tendência, que pode, em parte, ser vista em medidas como o "Barómetro de Tendências" desenvolvido e gerenciado pelo Niels Kaastrup-Larsen, da Dunn Capital, que é uma variação de referência para o nível de força de tendência nos mercados.
A porcentagem da vitória da estratégia é muitas vezes negativamente correlacionada com o tamanho da vitória.
Win percentage is material relative to analysis of individual stocks. Relative to win percentage, over time, the trend strategies developed new overlays that improved win percentage, but also delayed the timing of a trade signal if not eliminating many valid trades. When evaluating individual stocks, momentum signals are given relative to a range based on the signals sensitivity. Likewise, win percentage is considered, particularly relative to the use of other indicators, as certain overlays have a statistical correlation with increased signal accuracy but at times also lower win size. As you will see, in these strategies, win percentage and win size are often negatively correlated. Another important metric for trend/momentum signals is how over time the increasing popularity of algorithmic strategies creates a re-enforcing market mechanism to various degrees. Once certain systematic execution triggers are hit an amplification of the trend occurs over given time frames, most noticeable in the short term.
What I found most interesting while studying various market environments is that trend following has a different statistical profile when considering the entire portfolio of assets than it does when evaluated on a trade by trade basis. In my initial study of the BarclayHedge database, which at the time had the largest percentage of CTA and systematic fund managers reporting, the trend following strategy had monthly fund returns win percentage of 57.89% and an average win size of 4.52%. Compare this to the volatility strategy average, which at that time had a win percentage of 74.25% but a smaller monthly win size of 3.75%. This can be a slightly nuanced number to consider when juxtaposed to the average statistical analysis on an individual trade basis that did not consider a monthly reporting time frame but rather the length of the trend (not published in the book.) Proprietary studies I have since seen from various CTAs, as well as my limited research, suggested that on an individual trade basis, win percentage was rather low – near 20% in many studies – while win size was significantly higher. Strategies typically exhibit a relatively inverse relationship between win percentage and win size. While there is much noise around algorithmic trading, these are key statistics to focus on and often define strategies to certain degrees. Short volatility strategies have corresponding high win percentages with low win size but high maximum drawdown levels, for instance. Understanding the meaning of this is valuable when evaluating individual stocks, and it is one reason why recognizing different beta market performance drivers such as relative volatility and mean divergence come into play.
For further details about general trend following/momentum and recommended reading of public academic documentation also see following:
Hurst, Brian and Ooi, Yao Hua and Pedersen, Lasse Heje, A Century of Evidence on Trend-Following Investing (June 27, 2017). Available at SSRN: A Century of Evidence on Trend-Following Investing by Brian Hurst, Yao Hua Ooi, Lasse Heje Pedersen: SSRN.
Bergstresser, Daniel and Cohen, Lauren and Cohen, Randolph B. and Malloy, Christopher J., AQR's Momentum Funds (October 8, 2018). Harvard Business School Finance Case No. 211-025. Available at SSRN: AQR's Momentum Funds by Daniel Bergstresser, Lauren Cohen, Randolph B. Cohen, Christopher J. Malloy: SSRN.
Baltas, Nick, Trend-Following, Risk-Parity and the Influence of Correlations (October 12, 2018). "Risk-Based and Factor Investing", Elsevier & ISTE Press, 2018 (Forthcoming). Available at SSRN: Trend-Following, Risk-Parity and the Influence of Correlations by Nick Baltas: SSRN.
Volatility/Price Dispersion:
Price volatility, like market price trends, are definitively measured in a public setting. The CBOE volatility products, most notably the S&P 500 VIX index, document market volatility by measuring the volume of options transactions. For the purposes of this stock market analysis, volatility is also measured through the average standard deviation in an asset’s price and is used in numerous risk/reward measures, such as the Sharpe Ratio, which gives equal weighting to upside and downside deviation. While there are many public observations regarding volatility impacting stock market performance – Crestmont Research, for instance, documented the relationship between higher volatility and lower stock prices and lower volatility and higher stock prices – there is also private research on volatility that notes correlations with trend strength. These concepts are used in the development of CTA strategies as well as high frequency trading models. The most notable example of volatility leading to market trend strength occurred in 2008, when the initial “Lehman moment” led to the VIX index spiking to 42.16. This resulted in significant market trends and led to one of the best periods of CTA system performance in history, particularly trend following systems calibrated towards a mid-term time horizon.
From the standpoint of this individual stock research, volatility is a key market trigger that certain algorithmic strategies utilize and thus is relevant towards analysis. Further, volatility analysis will be used in relation to trend and relative value analysis as an overlay filter with the goal to improve win percentage regarding force of trend.
For details and recommended reading of public documentation see the following:
Relative Value/Mean Divergence/Pairs Trading.
Unlike market price trends and volatility, there are not the same public benchmarks for relative value beta benchmarking despite the concept being widely used in commodity and stock trading. As outlined in multiple books, the core concept is to measure the relative value of one asset to another asset with a similar profile, one with a “deep economic link,” as one Quantopian seminar outlined, consistent with many books and research on the topic.
The beta is most often measured by a statistical average between two asset prices. In trading algorithms a “fair value” is represented to certain degrees, often validated by outside factors that influence price disparities such as a price earnings ratio in a stock or economic supply and demand factors in a commodity. When the price of one asset diverges from this mean to a significant level, it represents an opportunity in certain investment methodologies so long as the fundamental economic drivers that correlated the two assets have not materially changed. Quantitative formulas look for “mean divergence” and then “mean convergence” to make a relative value strategy work, often technically measured by what is known as a “Z score” and many times involves a linear regression analysis. Quantopian acknowledged the use of moving average crosses in helping determine relative value analysis, and this is actually much further advanced in private CTA formulas than has been publicly discussed.
Analysts look to mean divergence as a sign that core fundamental economic variables in the stock have changed, which will be extensively explored when considering the algorithmic impact on individual stocks. There are specific time horizon triggers used in this analysis which will also be used frequently. In fact, there is a particular statistical “P Value” method of confidence analysis that tracks the stationarity of a reversion model to develop an economic thesis. In other words, a sustained deviation from the correlation mean provides an increased P Value confidence level as to the potential for an underlying economic event to be taking place, is one thesis.
While some of the relative value strategies have been publicly discussed, many strategies with meaningful nuances used by hedge funds, CTAs and high frequency trading firms remain private. Some of the meaningful differential in how relative value strategies are executed relative to stocks include selecting issues that not only have the same business orientation – in the same stock market sector – but some formulas also consider the differential between value and momentum and look at valuation methods such as price to earnings and other valuation formulas as a method to group correlated assets together. If one does begin to get deeper into algorithmic analysis, discussions of co-integration and the difference with correlation and stationarity is also considered.
For details and recommended reading of public documentation see the following:
Taliaferro, Ryan and Blyth, Stephen, Fixed Income Arbitrage in a Financial Crisis (C): TED Spread and Swap Spread in November 2008 (June 22, 2018). Harvard Business School Finance Case No. 211-051. Available at SSRN: Fixed Income Arbitrage in a Financial Crisis (NYSE:C): TED Spread and Swap Spread in November 2008 by Ryan Taliaferro, Stephen Blyth: SSRN.
Kashyap, Ravi, Dynamic Multi-Factor Bid-Offer Adjustment Model (October 2, 2008). Institutional Investor Journals, Journal of Trading, Vol. 9, No. 3 (Summer 2018), pp. 42-55. Available at SSRN: Dynamic Multi-Factor Bid-Offer Adjustment Model by Ravi Kashyap: SSRN or Dynamic Multi-Factor Bid-Offer Adjustment Model by Ravi Kashyap: SSRN.
This has been a basic outline of the methods and systems used to understand how algorithms might be influencing individual stocks. Limited analysis such as this cannot cover all algorithmic impacts and potential influences. When the most fundamental market environments are considered, however, a useful picture can be painted for investors to further investigate.
Divulgação: Eu / não temos posições em nenhum estoque mencionado, e não há planos para iniciar posições dentro das próximas 72 horas.
Eu escrevi este artigo, e ele expressa minhas próprias opiniões. Não estou recebendo compensação por isso. Não tenho nenhum relacionamento comercial com nenhuma empresa cujo estoque é mencionado neste artigo.
Este artigo é apenas para membros PRO!
Acesse este artigo e 15.000 artigos PRO exclusivos de US $ 200 / m.
Interessado em atualizar para o PRO?
Reserve um compromisso com um Gerente de Contas PRO para ver se o PRO é ideal para você.

Credit Suisse’s giant internal hedge fund – and other facts from the bank’s investor day.
Credit Suisse has been harbouring a large systematic hedge fund. It’s also been going against the grain of juniorization.
It’s Credit Suisse investor day. The bank’s biggest and brightest are making a series of presentations throughout the day on the bank’s future.
The big, predictable, news is: more cost cutting. Not long ago, Credit Suisse wanted to take out CHF2bn of costs. Now it wants to take out CHF4.2bn by 2018. The less predictable news is that Credit Suisse is starting to get real about Asia – instead of extolling the region’s huge potential it’s suddenly planning to make CHF300m of APAC cost cuts as revenues there haven’t matched expectations.
As Credit Suisse restructures its investment bank, the presentations of Brian Chin and Jim Amine were the most interesting. The two men outlined the futures for Credit Suisse’s global markets and investment banking and capital markets divisions respectively. This is what they said.
1. There’s been a systematic trading hedge fund lurking within Credit Suisse’s markets division.
If you want a trading job in an investment bank, you can’t get much better than Credit Suisse’s little known systematic market making group (SMG). In his presentation today, Brian Chin, head of the global markets division, described SMG as “a global quantitative and systematic trading group,” which focuses on, “market making and high-turnover strategies,” and which has a “history of making good returns.”
Credit Suisse insiders say SMG was formed in 2018 as part of the bank’s dedicated global Quant Equity trading hub. It is the descendant of what was formerly known as the Global Arbitrage Trading group which was restructured post the 2008/09 financial crisis. The fund operates, “highly sophisticated quantitative models,” to manage its portfolio.
Credit Suisse’s SMG unit is run by Paris-based Pierre-Yves Morlat and by New York-based Nick Branca. Predictably, the division mostly employs quantitative traders. It’s been hiring: Thibaut Chevalier joined from SocGen earlier this year, as did Saad Bahir. In October, Morlat and Branca were said to be prepping a quantitative hedge fund (‘Qube’) under the SMG umbrella, and to have already raised $800m in external funding.
This might sound curious in light of the Volcker Rule, which bans banks from running proprietary trading desks or internal hedge funds, but the Volcker Rule only applies to U. S. banks and to European banks in the U. S, and in any case Credit Suisse has, in any case, rendered SMG compliant by moving it into its asset management unit.
As the chart below shows, SMG will now pursue its hedge fund-like activities differently. In the past, funding came from global markets (GM) and Credit Suisse’s APAC business. In future, the funding for SMG will come from institutional investors too.
The evolution of Credit Suisse’s most interesting trading division:
Fonte: Credit Suisse.
2. Credit Suisse’s sales and trading division has been crippled by cuts to its risk weighted assets, but it’s all ok.
Like Morgan Stanley’s fixed income business, Credit Suisse’s global markets division has had its wings clipped. As Chin’s chart below shows, the bank has cut risk weighted assets (RWAs) allocated to global markets from $65bn to $58bn (11%). Revenues fell from $8.1bn to $5.5bn (30%) over the same period.
Credit Suisse seems ok with this: Chin said the bank’s new fixed income revenue streams are less about trading and more about capital markets and origination. As such, they’re less capital intensive and volatile. Nor is Chin troubled by the bank’s serious slimming down in macro trading – an area where other banks are now making big revenues. The boom in macro trading is unlikely to persist, predicts Chin: interest rate volatility is actually “pretty low” and Credit Suisse’s smaller macro business is now profitable and “nice and focused”.
In future, Credit Suisse’s ambition is to achieve $6bn in annual revenues in global markets, with $60bn of risk weighted assets.
Revenues vs. risk weighted assets in Credit Suisse’s global markets division:
Fonte: Credit Suisse.
3. Credit Suisse says restructuring in the global markets division is over, but it wants to take out another $400m of costs by 2018.
In a curious case of double-speak, Chin said the “bulk of the restructuring” in the global markets division is now done, and the division has “significant upside” from here on. At the same time, however, Chin wants to take another $400m (8%) of costs from the division by 2018. Is that not restructuring?
Ultimately, the bank wants to generate $6bn global markets revenues with $4.8bn of costs – a cost ratio of 80%, compared to 85% in 2018.
Most of the global markets cost reductions to date have come from “direct expenses”, or cutting costs in the front office. Chin said. Net headcount, including permanent full-time equivalent employees, contractors, consultants and other contingent workers is down by 3,500 people, Chin added. This also seems strange though: Credit Suisse’s third quarter results showed headcount in global markets falling by just 120 people in the previous 12 months. Has Credit Suisse kept its front office staff and cut over a thousand contractors? Looks like it.
Falling operating expenses in Credit Suisse’s global markets division:
Fonte: Credit Suisse.
4. Compliance costs are crippling, but they’ve plateaued.
Credit Suisse has become the latest bank to broadcast the crippling cost of compliance. Between 2018 and 2018, compliance costs in global markets and the corporate centre rose from $500m to $900m. The good news, is that they’ve now plateaued. “There was a lot of upfront investment,” said Chin.
Rising compliance costs in Credit Suisse’s global markets division:
Fonte: Credit Suisse.
5. Future cost cuts at Credit Suisse’s markets business will come from ‘in-flight levers’
Even though restructuring is over (it’s not), Credit Suisse will be working some “in flight levers” to cut costs in its global markets in future. According to Chin, these are as follows:
Fonte: Credit Suisse.
Basically, you don’t want to work in a role where there’s someone else doing the same thing in another area of the bank.
6. Credit Suisse is now going for some crazy returns.
When Tidjane Thiam first turned up at Credit Suisse in 2018 he was remonstrated for not providing a target return on equity at the bank. Não mais. Credit Suisse now wants to achieve a return on regulatory capital of 10% to 15% in global markets and 15% to 20% in investment banking and capital markets. The bank said it achieved a 15% to 20% RoE in its American investment banking business already, but this still looks very ambitious. Goldman Sachs and Deutsche Bank are going for 12% across their firms. What makes Credit Suisse different? Especially when you consider that global markets achieved a return of regulatory capital of 2.5% in the third quarter.
7. Credit Suisse loves its M&A bankers in the Americas and will probably be paying them well. EMEA, not so much.
Four years ago, Credit Suisse took a knife to mid-ranking and senior staff across its investment banking division (IBD). In 2018, 30% of directors and 15% of managing directors were cut, thereby hollowing out the next generation of IBD talent.
The bank seems to have learned from that – or is, at least talking the talk with regards to its senior staff. In his presentation today, Jim Amine, head of Credit Suisse’s investment banking and capital markets division, said it’s “very, very important” that Credit Suisse keeps its senior coverage people happy. The bank has refocused its IBD division towards equity capital markets and M&A and has hired 25 senior bankers, distributed as per the chart below.
Credit Suisse is going for growth in American investment banking. Amine said margins are higher in the Americas and growth potential is greater. EMEA is a different story: as eurozone growth slows, Credit Suisse has been cutting costs in its European investment bank. Amine said the bank has cut its industry groups in Europe and merged them with its country coverage groups. In future, U. S. bankers will be providing industry-focused support across the Atlantic.
Where Credit Suisse has been hiring in IBD:
Fonte: Credit Suisse.
8. Credit Suisse is funding its senior M&A hires by cutting elsewhere.
Juniorization may be a thing at other banks, but Credit Suisse seems to be taking the opposite approach. In today’s presentation, Amine explained that its $200m if spending on new senior hires and technology investments is being funded by streamlined support functions, cuts, and ‘workflow engineering.’ In other words, costs are being cut elsewhere in the bank to fund the hiring of all those MDs.
Self-funded growth at Credit Suisse’s investment bank.
9. Credit Suisse is going for robotics and machine-based learning.
In his presentation, Credit Suisse CFO David Mathers said the bank is cutting costs by focusing on robotics and machine learning. As we’ve said before, this is increasingly looking like the future of finance.
10. Credit Suisse has made more savings in London than expected.
Lastly, Credit Suisse is making some huge cuts to its London headcount. Mathers said today that it’s now cut 4,200 people in London (out of 6,600 people when it started). That’s a drop of 64%. Mathers added the bank’s London costs have yielded more savings than expected. These are being reinvested elsewhere (think the Americas and Poland).
Artigos relacionados:
If you want to work in one investment banking division at Credit Suisse on Wall Street, it's this.
Credit Suisse's markets business is caught in a feedback loop: the faster it cuts costs, the faster revenues fall.
Credit Suisse is wiping the floor with Goldman Sachs in Tidjane Thiam's area of special expertise. But it's having big problems elsewhere.
Photo credit: Credit Suisse by eflon is licensed under CC BY 2.0.
Comentários (1)
Quote from the article: If you want a trading job in an investment bank, you can’t get much better than Credit Suisse’s little. known systematic market making group (SMG). In his presentation today.
All those applicants to Renaissance, DE Shaw, and 2 Sigma: CS is the future.
Everybody, short machine-based learning algorithmic trading. CS is getting in.
Envie sua razão: envie.
O comentário está sob moderação. Aparecerá em breve.
Europa, Oriente Médio e Africa.
Ásia-Pacífico.
eFinancialCareers.
Contate-Nos.
Informação legal.
eFinancialCareers é um serviço DHI. A DHI é uma empresa de capital aberto listada na Bolsa de Valores de Nova York. (Ticker: DHX)
© Copyright 2000-2018 eFinancialCareers Ltd.
Quer ver artigos como este na sua caixa de entrada?
Inscreva-se no boletim informativo eFinancialCareers hoje.