Objetivos e motivações Esta página regroupa um conjunto de prsentações, trabalhos práticos e projetos de diversas experiências. Diversos projectos e acções de gestão: Gestion du risque. Este projeto contém os melhores preços para o valor em risco. Diferentes modas serão tudis, os modelos que dão o delta normal, os modelos não condicionais e os que modificam o comportamento volátil, os modelos GARCH, o modelo RiskMetrics (moyenne mobile exponentielle), a aproximação do tipo Cornish Fisher, lutilisation de la thorie des vnements Extrmes (EVT), a combinação de diferentes modelos (por exemplo GARCH EVT). Enfin, dans le cas dun portefeuille doptions, les difffrentes mthodes destimations de la VaR sont prsentes et testicules sur des cas concrets. Stratgie dynamique de gestion de portefeuille. Ce projet agent caractriser les actifs financiers, en terme de faits styliss, estimar et slectionner les modeles les mieux adapts, rechercher les stratgies optimales partir des modles, pour enfin appliquer les stratgies aux donnes relles Não os modles são issus. Un exemple typique consistera retrouver les stratgies de Growth optimale (Kelly) par simulation. Nós gnraliserons des rendements iid et des modles mieux adapte aux faits styliss (queues de distribution, asymtrie.). Estes métodos permitem a instalação e a execução de estratégias para o reequilíbrio. En deuxieme partie du projet, nous abandonnerons lhypothse iid et le cas mono actif, pour nous intresser aux stratgies optimales en prsence de dpendances temporelles, tels que des stratgies dites pairs trading modlises par le processus de retour la moyenne AR (1). Nós utilizamos o lenvironnement de desenvolvimento e danalyse a estatística R r-project. org. La versão open source de S. R inclui um grande número de módulos danalyses de grande qualidade, desenvolve os melhores spcialistes du domaine. Todos os programas estão disponíveis sob a forma de fonte de código. R est aussi un environnement de programmation simple et puissant. Lapprentissage de R constituer en soi un objectif important du projet. Lutilisation de R permis de concrtiser les notions de modlisation, de limpact des faits styliss. Sobre a gestão do risco ea pesquisa de stratgies optimales, par exemple. Marche et contenu Tous les projets mettent en oeuvre des thmes communs, (Statiques) e os testes dhypothses: test de (non) normalit. Qq-parcelas, Kolmogorov Smirnov, Jarque-Bera. Testes dindpendance: parcelas de dispersão, autocorrência (ACF), testes de Durbin Watson, executar testes. Tude des queues de distribuição, asymtries. A modificação dos ativos financeiros é uma forma de distribuir o rendimento que é dado pelos estudantes: t-student, distribuições exponentielles, modlisation des queues de distribution. Les faits styliss temporels: rappel sobre labsence dauto correlação significativa dos rendimentos, volatilidade variável, fatores dchelle em função do tempo, leis máximas e mínimas, tempo de passagem, Rgressões linários e modelos fatores. Testes de estacionar, análise, ensaios de unidade racional, Modos com variável de volatilidade: métodos de destimização da volatilidade, processo GARCH, estimativa e provisão de medidas de risco (Value At Risk, Conditonal VaR) e sua estimativa, Les mthodes de Monte Carlo Loptimização de função dutilit sous contraintes (risque, gestion). Lutilização de medidas de desempenho de risco: relação de Sharpe, le Drawdown máximo (relação de Sterling). Os ensaios e os ensaios foram efectuados com base nos dados dos relais: os periódicos dos índices europeus e dos Estados Unidos, as cotações intraday futures europens, os cursos de invenção, as taxas de juro dos dintrts. Dans les modules de R pdf Prsentation R e exemplos R es un environnement interactif et graphique pour lanalyse de donnes. Une success story de lopen fonte: lun des rares projets avoir reu la distinction ACM, os outros são: UNIX, TeX, TCIIP, WWW, Postscript, Apache. Nós fizemos um tour dhorizon des diffrentes facetas de R: langage, graphique, statistique. De muitos exemplos de dutilização sobre os dons relles sont prsents. Estes exemplos são repris em alguns TP. Pdf Faits Styliss. ,,,,,,,,,,,,,,,,,,,,,,,,,,, Asymtrie, Curtose. Pdf Valor em Risco, Valeurs Extrêmes. Rapperons les risques des diffrents, Value At Risk e estimativa, aproximação de Fisher Cornish, expositores das colas de distribuição, estimador de Hill, Thorme des Valeurs Extrêmes, Pareto Gnralis, exemplos e aplicações lintraday CAC40 Futuro, cours journaliers des indices, devises. Estimativas da volatilidade e das correlações. Volatilit historique, moyenne exponentielle mobile (RiskMetrics), GARCH, estimadores bass sur les extrmes (Parkinson, Roger Satchell.) Pdf Stratgies dinvestissement, growth optimal. Rendas sobre rendimentos, índices de desempenho: Sharpe, drawdowns, relação de esterlina, importância das caixas de transação, estimativas da volatilidade. Pdf Co-intgration, PairsConvergence Trading. Etude des processus de retour à moyenne (AR), testes de unidade racina, co-intgration entre ações, índices. Outras prsentations (2003) pdf Trading Automatique I: Março futuros dindices e plataforma de negociação automática pdf Trading Automatique II: gerenciamento de risco, estilos de fatos, stratgies. A programação automatiza a negociação Normalit des rendements Nós nos proponemos de tester as hipóteses de (não) normalit des rendements, aplicações diffrents tipos dactifs: índices, inventa, índices de hedge funds. Rappels sur le Thorme Limite Central Utilizar os gráficos quantile-quantile, comparaisons com as distribuições connues (gaussienne, t-student, exponentielle.) Testes estatais (test du Chi2, Kolmogorov Smirnov, Shapiro, Jarque Bera) Les queues paisses des actifs financiers. Nous constaterons galement que les cours deviennent de plus en plus gaussiens au fur et mesure que les intervalles dobservation augmentent: un autre fait stylis connu sous le terme de gaussianit par agrgation. Indpendance et autres faits styliss Autocorrlogramme, ACF, tests sur les auto corrlations: Durbin Watson, executa o teste. Fatores dchelle de la volatilit Correlations, tests defficiency tudes des corrlations et rgressions linaires (exemplo: índices entre eux, actions du DJIA, actions vs taux vs devis) Stabilit des corrélations dans le temps. Gnação de percurso pseudo-aléatoire A definição do programa é a de um programador de funções de gestação de pseudo-aléatoires. Pour illustrer le principe, nous commenons par une simulation simple dune marche alatoire, puis nous tudions de prs la gnration de prix dans un modle lognormal, des cours de clture, mais aussi en intraday pour gnrer les plus haut et plus bas. Os exames caracatristiques do preço lognormaux são examins. Volatilidade: Modelos, Simulações, Estimativas e Prendimentos Quil sagisse de gestion du risque, ou de valorisation des produits drivs, volatilit joue un rle central en finance. Diferentes TPs são formulados para o assunto central: A modlização GARCH (Generalized Autoregressive Condicional Heteroscedasticity) é uma ferramenta incontornável em finanças, particularmente útil para analisar e prever a volatilidade. Esses modelos mostram o conto conhecido do fenômeno conhecido, o conceito de agrupamento de volatilidade, o fato de que os índices de forte volatilidade são alternativos com os índices de volatilidade baixa. Dans ce TP, nós estamos propondo dappliquer les estimations GARCH aux indices CAC40 et NASDAQ. Modlisation des corrlations jusqu prsent nous avons modlis la volatilité sur un seul actif. O código é o melhor para as covariâncias, as correlações entre dois agentes, assim como as correspondências correspondentes no caso de vários agentes. De la môme faon que pour la volatilit, des modles de type mobile mobile exponentielles et GARCH peut tre utiliss. As palavras-chave são os seguintes: La Value at Risk com R O Valor em Risco é sem dúvida nenhuma. Dans ce projet, vous tes Gestor de Risco dun Fond. Sobre supposera que le Fundo gre 10 Milhões deuros, lobjectif de VaR 10 dias 99 est fixo 4. Sobre supposera que o fundo está investido sobre o futuro março CAC40. Aprs avoir valu diffrents modles de Value at Risk, lobjectif sera de fixer au quotidien les limites de VaR, traduites en terme de nombre de contrats ne pas dpasser. O leilão do risco de risco é o limite do valor em risco, o risco de desvantagem, as taxas de desemprego, a taxa de desemprego, etc. Valor do contrato est gale au cours berço x 10 euros. Exemplo. Si le cours du contrat de durée CAC 40 stablit 4000, le contrat a une valeur de. 40.000 euros. Si vous achetez un Contrat Futuro 4.000 pontos e que você convida 4.200 pontos, seu ganho est de (4.200-4.000) 10 euros 2.000 euros. Une premire tape consistera donc tudier les caractristiques de lactif sous jacent, puis de comparison diverses thes destimations of the Value at Risk 8 in the case simple dun seul instrument, a savoir les mthodes dites de VaR historique, les mthodes normales bases sur les modles de Volatilit (RiskMetrics, GARCH), finalmente os mthodes que apelam à Thorie de Valeurs Extrmes (Teoria do Valor Extremo). No mnera una tude analógico celles dcrite dans 7 quil faudra adapter au CAC40. En complment de la VaR, sobre um teste de estresse, por lutilização da teoria de Valeurs Extrême. Por fim, nas complicações que se aplicam ao cálculo do valor de risco, à determinação da taxa de risco ou à CVaR. La CVaR mesure justement les pertes en cas de dpassement de la VaR 1 Pour mener ce projet, on peut galement sappuyer sur les normes de facto, que que RiskMetrics 11 9, nomeadamente 10 para uma visão mais global do VaR na gestão do Risque, les mthodes de backtesting, de relatórios. Ver aussi O VALOR EM RISCO em Francês. Ce projet sappuie sur diffrents TPs, including them about the modles of volatility, such as the TPs suivantes: Filas de distribuição, VaR e valores extrínsecos: estimativas das exposições das filas de distribuição (Hill), aproximation of Cornish Fisher, application du thorme des Valores extrmes (estimativa GEV), estimativas dune loi de Pareto Gnralis par maximum de vraisemblance, estimativa do VaR, esprance en cas de dpassement. Mesure et Backtesting de la VaR dune gestion active Descrição dos Modelos de Valor em Risco Backtesting de la VaR Gerenciamento de risco de risco de risco de risco. Livres: Modelagem de séries temporais financeiras com S-Plus por Eric Zivot, Jiahui Wang e Clarence R. Robbins 16 Estatísticas introdutórias com R, Peter Dalgaard 5 Programação com dados: um guia para a linguagem S, S, William N. Venables e Brian D. Ripley 14 In English: R para les dbutants par Emmanuel Paradis: commencer par ce document. Cran. r-project. orgdoccontribrdebutsfr. pdf Introdução ao sistema R par Yves Brostaux. Cran. r-project. orgdoccontribBrostaux-Introduction-au-R. zip Introdução R par Vincent Zoonekynd, trs complet, pas pas, en langage simple, trs illust com muitos et jolis. - lyon1.frRenseignement. html Suporte de teste sobre o software R, por Pierre-Andr Cornillon, Laboratório de Estatísticas, Universidade de Rennes II: uhb. frscsocialesmassmaitrisedoclog4.pdf Em inglês: SimpleR: Using R for Introductory Statistics, por John Verzani: math. csi. cuny. eduStatisticsRsimpleRindex. html Regressão Prática e Anova em R: stat. lsa. umich. edufarawaybook Este é um curso de mestrado que abrange os seguintes tópicos: Modelos Lineares: Definição, encaixe, inferência, interpretação de resultados, significado dos coeficientes de regressão, Regressão, regressão de splines, teorema de Gauss-Markov, seleção de variáveis, diagnósticos, transformações, influência Observações, procedimentos robustos, ANOVA e análise de covariância, blocos casualizados, desenhos fatoriais. Previsão e previsão de séries temporais massey. ac. nz Rmetrics: itp. phys. ethz. checonophysicsR Introdução à Computação Financeira com R abrangendo áreas de gerenciamento de dados, séries temporais e análise de regressão, teoria do valor extremal e avaliação de instrumentos do mercado financeiro. Faculdade. washington. eduezivotsplus. htm a página de E. Zivot sobre SPlus e FinMetrics CRAN Tarefa Ver: Empírico Finance cran. r-project. orgsrccontribViewsFinance. html Outros pacotes, hors distribuição RCRAN Software para Teoria Extrema de Valor: urlmaths. lancs. ac. Uk stephenasoftware. html RMetrics itp. phys. ethz. checonophysicsR Regressão Prática e Anova em R doc: cran. r-project. orgdoccontribFaraway-PRA. pdf pacote: stat. lsa. umich. edufarawaybookfaraway. zip Também existe des packages commerciaux: exemple : Optimization de portefeuille burns-stat RMetrics: cours Intraday e jornalistas índices, ações e conceitos A librairie fBasics propõe os jogos de dons seguintes: audusd. csv Reuters Tick-by-Tick AUDUSD taxas 1997-10, usdthb. csv Reuters Tick - By-Tick USDTHB taxas 1997, fdax9710.csv Minute-por-Minuto DAX Futures Preços para 1997-10, fdax97m. csv Minutely Tempo e Vendas DAX Futuros para 1997, bmwres. csv Registo diário Retorna da BMW alemão Stock Proces, nyseres. csv Registros diários do NYSE Com Posite Index. No pacote fExtremes: UKEuro taxas de câmbio UKUS e UKCanada Câmbios Donnes macro du package tseries Les donnes NelPlo. 14 séries macroeconômicas: cpi, ip, gnp. nom, vel, emp, int. rate, nom. wages, gnp. def, money. stock, gnp. real, stock. prices, gnp. capita, real. wages e Unemp e a série conjunta NelPlo. O conjunto de dados contém as seguintes séries: índice de preços ao consumidor, produção industrial, PNB nominal, velocidade, emprego, taxa de juros, salários nominais, deflator PNB, estoque monetário, PNB real, Os preços das ações (SampP500), o PNB per capita, os salários reais, o desemprego. 1 ARTZNER, P. amp DELBAEN, F. amp EBER, J.-M. HEATH, D. Medidas Coerentes de Risco. 1998.. 2 BOUCHAUD, J. P amp POTTERS, M. Teoria dos Riscos Financeiros. Cambridge University Press, 2000. 3 CHAMBERS, J. M. Programação com dados. Springer, Nova Iorque, 1998. ISBN 0-387-98503-4. 4 CONT, R. Propriedades empíricas de retornos de ativos - fatos estilizados e questões estatísticas. QUANTITATIVE FINANCE, 2000. 5 DALGAARD, P. Estatísticas introdutórias com R. Springer, 2002. ISBN 0-387-95475-9. 6 GOURIEROUX, C. amp SCAILLET, O. amp SZAFARZ, A. Economia das finanças. Economica, 1997. 8 LINSMEIER, T amp PEARSON, N. D. Medição de Risco: Uma Introdução ao Valor em Risco. Financial Analysts Journal, março de 2000. 9 GRUPO RISKMETRICS. Documento técnico do RiskMetrics. Dezembro de 1996.. 10 GRUPO RISKMETRICS. Gestão de Riscos - Um Guia Prático. 1999.. 11 GRUPO RISKMETRICS. Retornar para RiskMetrics: A Evolução de um Padrão. 2001. 12 ROCKAFELLAR, R. T e URYASEV, S. Otimização do Valor-Risco Condicional. 1999.. 13 URYASEV, S. Valor-Razão Condicional: Algoritmos e Aplicações de Otimização. 14 VENABLES, W. N amp RIPLEY, B. D. Estatística Aplicada Moderna com S. Quarta Edição. Springer, 2002. ISBN 0-387-95457-0. 16 ZIVOT, E. amp WANG, J. e amp. ROBBINS, C. R. Modelação de séries temporais financeiras com S-Plus. Springer Verlag, 2004. 1 En outre, cest une mesure cohrente du risque et loptimisation de portefeuille sous contrainte de CVaR se rsout facilement par des mthodes de programmation linaire (cf 12, 13) (1,1) A agregação de volatilidade é uma das características mais importantes dos dados financeiros, e incorporá-la em nossos modelos pode produzir uma estimativa de risco mais realista. O agrupamento de volatilidade é evidente pelo fato de que a volatilidade de hoje está positivamente correlacionada com a volatilidade de ontem. Assim, se ontem observou alta volatilidade, hoje também é provável que observe alta volatilidade. Isto significa que a volatilidade está condicionada à volatilidade passada (volatilidade condicional). Há dois métodos para calcular isso: Média Móvel Ponderada Exponencial (EWMA) EWMA é um método freqüentemente usado para estimar a volatilidade nos retornos financeiros. Este método de cálculo da variância condicional (volatilidade) dá mais peso às observações atuais do que observações passadas. O estimador EWMA é da forma abaixo: r representa os retornos. É o fator de decaimento, também conhecido como a constante de suavização. Esse fator determina o esquema de ponderação exponencialmente decrescente das observações. Desta forma EWMA contas para o tempo variâncias dependentes. Garante que a variância de hoje está positivamente correlacionada com a volatilidade de ontem. Um lambda alto indica uma decadência lenta na série, isto é, uma variância alta tenderá a persistir por mais tempo. RiskMetrics usa um lambda de 0,94 que é apropriado para analisar dados diários. EWMA é na verdade um subconjunto de GARCH (1,1). Saiba mais sobre EWMA Generalizado Autoregressive Condicional Heteroscedasticity (GARCH (1,1)) GARCH é outro modelo para estimar a volatilidade que cuida da volatilidade clustering questão. GARCH é derivado de ARCH, i. e. Heteroscedasticity Condicional Autoregressive. AR significa que os modelos são modelos autorregressivos em retornos ao quadrado, ou seja, há uma correlação positiva entre o risco de ontem eo risco de hoje. Condicional significa que a volatilidade dos próximos anos está condicionada à informação disponível neste período. Heterocedasticidade significa volatilidade não constante. Significa que a série temporal de uma variável aleatória tem uma variação variável no tempo. G significa Generalized, o que significa que é uma versão generalizada que pode explicar fatores diferentes em diferentes mercados. A forma mais comum de GARCH é GARCH (1,1). Este modelo é representado como: O conceito-chave aqui é que a volatilidade é uma função de retornos defasados quadrados e variações retardadas. O termo (1,1) indica este 1 lag para cada quadrado de retorno e variância quadrática do dia anterior. Onde: é o peso para retornos ao quadrado defasados é o peso para variações desfasadas é uma constante igual a x VL onde VL é a taxa de variação de longo prazo e é o seu pesoMachine Learning Trading Systems O SPDR SampP 500 ETF (SPY) é um dos amplamente Negociados produtos ETF no mercado, com cerca de 200 bilhões de ativos e volume de negócios médio de pouco menos de 200 milhões de ações diariamente. Assim, a probabilidade de ser capaz de desenvolver um sistema de comércio de fazer dinheiro usando informações publicamente disponíveis pode parecer ser slim-to-none. Então, para nos dar uma chance de lutar, vamos nos concentrar em uma tentativa de prever o movimento noturno no SPY, usando dados da sessão do dia anterior. Além dos preços de abertura e fechamento da sessão do dia anterior, selecionamos um número de outras variáveis plausíveis para construir o vetor de característica que vamos usar em nosso modelo de aprendizagem de máquina: O volume diário O preço do fechamento do dia anterior8217s Os 200 Dia, 50 dias e 10 dias do preço de fechamento Os preços altos e baixos de 252 dias da série SPY Vamos tentar construir um modelo que prevê o retorno overnight no ETF, ou seja, O (t1) - Neste exercício usamos dados diários desde o início da série SPY até o final de 2017 para construir o modelo, o qual será testado em dados fora da amostra a partir de janeiro de 2017 - Agosto de 2017. Num contexto de alta frequência, seria gasto um tempo considerável a avaliar, limpar e normalizar os dados. Aqui enfrentamos muito menos problemas desse tipo. Normalmente, seria padronizado os dados de entrada para equalizar a influência de variáveis que podem ser medidas em escalas de muito diferentes ordens de grandeza. Mas neste exemplo todas as variáveis de entrada, com exceção do volume, são medidas na mesma escala e assim a padronização é discutivelmente desnecessária. Primeiro, os dados da amostra são carregados e usados para criar um conjunto de regras de treinamento que mapeiam o vetor de característica para a variável de interesse, o retorno de um dia para o outro: No Mathematica 10 Wolfram introduziu um conjunto de algoritmos de aprendizado de máquina que incluem regressão, , Redes neurais e florestas aleatórias, juntamente com a funcionalidade para avaliar e selecionar a técnica de aprendizado de máquina com melhor desempenho. Estas facilidades tornam muito simples a criação de um classificador ou modelo de previsão utilizando algoritmos de aprendizagem de máquina, como este exemplo de reconhecimento de escrita manual: Criamos um modelo preditivo no treinamento SPY, permitindo que o Mathematica escolha o melhor algoritmo de aprendizado de máquina: Opções para a função Predict que pode ser usada para controlar a seleção de recursos, o tipo de algoritmo, o tipo de desempenho eo objetivo, ao invés de simplesmente aceitar os padrões, como fizemos aqui: Tendo construído nosso modelo de aprendizagem de máquina, Os dados de amostra de janeiro de 2017 a agosto de 2017 e criar um conjunto de teste: Em seguida, criar um objeto PredictionMeasurement, usando o modelo de vizinho mais próximo. Que pode ser usado para uma análise mais aprofundada: Não há muita dispersão nas previsões do modelo, que têm valor positivo. Uma técnica comum nesses casos é subtrair a média de cada uma das previsões (e também podemos padronizá-las dividindo pelo desvio padrão). O scatterplot de reais contra previsão retornos de noite em SPY agora olha como este: There8217s ainda uma falta óbvia da dispersão nos valores de previsão, comparados aos retornos de noite do real, que nós poderíamos retificar pela estandardização. De qualquer forma, parece haver uma pequena relação não linear entre os valores previstos e os reais, o que mantém alguma esperança de que o modelo ainda possa ser útil. De previsão para negociação Existem vários métodos de implantação de um modelo de previsão no contexto da criação de um sistema de negociação. A rota mais simples, que iremos tomar aqui, é aplicar um gate de limiar e converter as previsões filtradas diretamente em um sinal de negociação. Mas outras abordagens são possíveis, por exemplo: Combinar as previsões a partir de modelos múltiplos para criar um conjunto de previsão Usar as previsões como entradas para um modelo de programação genética Alimentar as previsões na camada de entrada de um modelo de rede neural projetado especificamente para gerar sinais comerciais Do que as previsões Neste exemplo, vamos criar um modelo de negociação através da aplicação de um filtro simples para as previsões, escolhendo apenas os valores que excedem um limite especificado. Este é um truque padrão usado para isolar o sinal no modelo do ruído de fundo. Vamos aceitar apenas os sinais positivos que excedem o nível de limiar, criando um sistema de negociação só de longo prazo. Isto é, ignoramos as previsões que se situam abaixo do nível do limiar. Compramos SPY no fechamento quando a previsão excede o limiar e sair de qualquer posição longa no dia seguinte8217s aberto. Esta estratégia produz os seguintes resultados pro-forma: Conclusão O sistema tem algumas características bastante atraentes, incluindo uma taxa de vitória superior a 66 e uma CAGR de mais de 10 para o período fora da amostra. Obviamente, esta é uma ilustração muito básica: gostaríamos de considerar as comissões de negociação e a derrapagem nas entradas e saídas de posições nos períodos pós e pré-mercado, o que afetará negativamente o desempenho, é claro. Por outro lado, apenas começamos a arranhar a superfície em termos das variáveis que poderiam ser consideradas para inclusão no vetor de características e que podem aumentar o poder explicativo do modelo. Em outras palavras, na realidade, isso é apenas o começo de um longo e árduo processo de pesquisa. No entanto, este exemplo simples deve ser suficiente para dar ao leitor um gosto de what8217s envolvidos na construção de um modelo de negociação preditiva usando algoritmos de aprendizagem de máquina.
No comments:
Post a Comment