Cara Mengenal pasti Strategi Dagangan Algoritma

Dalam artikel ini saya ingin memperkenalkan anda kepada kaedah yang saya sendiri mengenal pasti strategi dagangan algoritma yang menguntungkan. Matlamat kami hari ini adalah untuk memahami secara terperinci bagaimana untuk mencari, menilai dan memilih sistem tersebut. Saya akan menerangkan bagaimana mengenal pasti strategi adalah tentang pilihan peribadi kerana ia adalah mengenai prestasi strategi, bagaimana untuk menentukan jenis dan kuantiti data sejarah untuk ujian, bagaimana untuk menilai strategi dagangan tanpa perasaan dan akhirnya bagaimana untuk meneruskan ke arah fasa backtesting dan pelaksanaan strategi.

Mengenal pasti Keutamaan Peribadi Anda sendiri untuk Perdagangan

Untuk menjadi peniaga yang berjaya - sama ada secara diskrit atau algoritma - adalah perlu untuk bertanya kepada diri sendiri beberapa soalan yang jujur. Perdagangan memberikan anda keupayaan untuk kehilangan wang pada kadar yang membimbangkan, jadi adalah perlu untuk mengetahui diri anda sebanyak yang diperlukan untuk memahami strategi yang anda pilih.

Saya akan mengatakan pertimbangan yang paling penting dalam perdagangan adalah menyedari keperibadian anda sendiri. Perdagangan, dan perdagangan algoritma khususnya, memerlukan tahap disiplin, kesabaran dan pemisahan emosi yang signifikan. Oleh kerana anda membiarkan algoritma melakukan perdagangan anda untuk anda, perlu diselesaikan untuk tidak mengganggu strategi semasa ia dilaksanakan. Ini boleh menjadi sangat sukar, terutama dalam tempoh penarikan yang panjang. Walau bagaimanapun, banyak strategi yang telah terbukti sangat menguntungkan dalam backtest boleh dimusnahkan oleh gangguan yang mudah. Memahami bahawa jika anda ingin memasuki dunia perdagangan algoritma anda akan diuji secara emosi dan untuk berjaya, perlu bekerja melalui kesukaran ini!

Pertimbangan seterusnya adalah satu masa. Adakah anda mempunyai pekerjaan sepenuh masa? Adakah anda bekerja sambilan? Adakah anda bekerja dari rumah atau mempunyai perjalanan panjang setiap hari? Soalan-soalan ini akan membantu menentukan kekerapan strategi yang harus anda cari. Bagi anda yang bekerja sepenuh masa, strategi niaga hadapan intraday mungkin tidak sesuai (sekurang-kurangnya sehingga ia sepenuhnya automatik!). Kesulitan masa anda juga akan menentukan metodologi strategi. Jika strategi anda sering diperdagangkan dan bergantung pada suapan berita mahal (seperti terminal Bloomberg) anda jelas perlu realistik mengenai keupayaan anda untuk berjaya menjalankan ini semasa di pejabat! Bagi anda yang mempunyai banyak masa, atau kemahiran untuk mengotomatisasi strategi anda, anda mungkin ingin melihat ke dalam strategi perdagangan frekuensi tinggi (HFT) yang lebih teknikal.

Saya percaya bahawa adalah perlu untuk menjalankan penyelidikan berterusan ke dalam strategi dagangan anda untuk mengekalkan portfolio yang menguntungkan secara konsisten. Beberapa strategi kekal di bawah radar selama-lamanya. Oleh itu sebahagian besar masa yang diperuntukkan untuk perdagangan akan dilakukan dalam menjalankan penyelidikan yang berterusan. Tanya diri anda sama ada anda bersedia untuk melakukan ini, kerana ia boleh menjadi perbezaan antara keuntungan yang kuat atau penurunan perlahan ke arah kerugian.

Anda juga perlu mempertimbangkan modal dagangan anda. Jumlah minimum ideal yang diterima secara amnya untuk strategi kuantitatif adalah 50,000 USD (kira-kira £35,000 untuk kita di UK). Jika saya bermula lagi, saya akan memulakan dengan jumlah yang lebih besar, mungkin lebih dekat dengan 100,000 USD (kira-kira £70,000). Ini kerana kos transaksi boleh menjadi sangat mahal untuk strategi frekuensi pertengahan hingga tinggi dan perlu mempunyai modal yang mencukupi untuk menyerapnya pada masa penarikan. Jika anda mempertimbangkan untuk memulakan dengan kurang daripada 10,000 USD maka anda perlu mengehadkan diri anda kepada strategi frekuensi rendah, berdagang dalam satu atau dua aset, kerana kos transaksi akan dengan cepat memakan pulangan anda.

Kemahiran pengaturcaraan adalah faktor penting dalam mewujudkan strategi perdagangan algoritma automatik. Mempunyai pengetahuan dalam bahasa pengaturcaraan seperti C ++, Java, C #, Python atau R akan membolehkan anda membuat penyimpanan data hujung ke hujung, enjin backtest dan sistem pelaksanaan sendiri. Ini mempunyai beberapa kelebihan, yang utama adalah keupayaan untuk mengetahui sepenuhnya semua aspek infrastruktur perdagangan. Ia juga membolehkan anda meneroka strategi frekuensi yang lebih tinggi kerana anda akan mempunyai kawalan penuh terhadap tumpukan teknologi anda. Walaupun ini bermakna anda boleh menguji perisian anda sendiri dan menghapuskan bug, ini juga bermakna lebih banyak masa yang dibelanjakan untuk mengkod infrastruktur dan kurang untuk melaksanakan strategi, sekurang-kurangnya pada bahagian awal kerjaya perdagangan anda.

Anda perlu bertanya kepada diri sendiri apa yang anda harapkan dapat dicapai dengan perdagangan algoritma. Adakah anda berminat dengan pendapatan biasa, di mana anda berharap dapat memperoleh pendapatan dari akaun dagangan anda? Atau, adakah anda berminat dengan keuntungan modal jangka panjang dan mampu berdagang tanpa perlu mengeluarkan dana? Ketergantungan pendapatan akan menentukan kekerapan strategi anda. Pengeluaran pendapatan yang lebih kerap memerlukan strategi perdagangan frekuensi yang lebih tinggi dengan kurang turun naik (iaitu nisbah Sharpe yang lebih tinggi).

Akhirnya, jangan tertipu dengan idea menjadi sangat kaya dalam jangka masa yang singkat! Dagangan Algo BUKAN skema cepat kaya - jika ada, ia boleh menjadi skema cepat miskin. Ia memerlukan disiplin, penyelidikan, ketekunan dan kesabaran yang besar untuk berjaya dalam perdagangan algoritma. Ia boleh mengambil masa berbulan-bulan, jika tidak bertahun-tahun, untuk menjana keuntungan yang konsisten.

Sumber Ide Perdagangan Algoritma

Walaupun persepsi umum sebaliknya, sebenarnya agak mudah untuk mencari strategi perdagangan yang menguntungkan di domain awam. Tidak pernah ada idea perdagangan yang lebih mudah tersedia daripada hari ini. Jurnal kewangan akademik, pelayan pra-cetak, blog perdagangan, forum perdagangan, majalah perdagangan mingguan dan teks pakar menyediakan beribu-ribu strategi perdagangan untuk menumpukan idea anda.

Tujuan kami sebagai penyelidik perdagangan kuantitatif adalah untuk menubuhkan saluran strategi yang akan memberi kami aliran idea perdagangan yang berterusan. Idealnya kami ingin membuat pendekatan metodikal untuk mencari, menilai dan melaksanakan strategi yang kami temui. Matlamat saluran adalah untuk menjana kuantiti yang konsisten idea baru dan memberi kami rangka kerja untuk menolak majoriti idea ini dengan pertimbangan emosi minimum.

Kita mesti sangat berhati-hati untuk tidak membiarkan bias kognitif mempengaruhi metodologi membuat keputusan kita. Ini boleh semudah mempunyai keutamaan untuk satu kelas aset berbanding yang lain (emas dan logam berharga lain terlintas dalam fikiran) kerana mereka dianggap lebih eksotik. Matlamat kita harus selalu mencari strategi yang menguntungkan secara konsisten, dengan harapan positif. Pilihan kelas aset harus berdasarkan pertimbangan lain, seperti sekatan modal perdagangan, yuran broker dan keupayaan leverage.

Jika anda benar-benar tidak biasa dengan konsep strategi perdagangan maka tempat pertama untuk melihat adalah dengan buku teks yang ditubuhkan. Teks klasik menyediakan pelbagai idea yang lebih mudah, lebih mudah, untuk membiasakan diri dengan perdagangan kuantitatif. Berikut adalah pilihan yang saya cadangkan untuk mereka yang baru dalam perdagangan kuantitatif, yang secara beransur-ansur menjadi lebih canggih semasa anda bekerja melalui senarai:

• Perdagangan Kuantitatif: Cara Membina Perniagaan Perdagangan Algoritma Anda Sendiri (Wiley Trading) - Ernest Chan
• Perdagangan Algoritma dan DMA: Pengenalan kepada strategi perdagangan akses langsung - Barry Johnson
• Volatiliti Pilihan & Harga: Strategi Perdagangan Lanjutan dan Teknik - Sheldon Natenberg
• Perdagangan Volatiliti - Euan Sinclair
• Perdagangan dan Bursa: Mikrostruktur Pasaran untuk Pengamal - Larry Harris

Untuk senarai buku perdagangan kuantitatif yang lebih panjang, sila lawati senarai bacaan QuantStart.

Tempat seterusnya untuk mencari strategi yang lebih canggih adalah dengan forum perdagangan dan blog perdagangan. Walau bagaimanapun, nota berhati-hati: Banyak blog perdagangan bergantung pada konsep analisis teknikal. Analisis teknikal melibatkan penggunaan penunjuk asas dan psikologi tingkah laku untuk menentukan trend atau corak pembalikan dalam harga aset.

Walaupun sangat popular dalam ruang perdagangan secara keseluruhan, analisis teknikal dianggap agak tidak berkesan dalam komuniti kewangan kuantitatif. Sesetengah orang telah mencadangkan bahawa ia tidak lebih baik daripada membaca horoskop atau mengkaji daun teh dari segi kuasa ramalannya!

Berikut adalah senarai blog dan forum perdagangan algoritma yang dihormati:

• Seluruh Jalan
• Kuantiti
• Perdagangan Kuantitatif (Ernest Chan)
• Quantopian
• Quantpedia
• ETF HQ
• Quant.ly
• Forum Pedagang Elite
• Makmal Kekayaan
• Pembiayaan Nuklear
• Forum Wilmott

Apabila anda mempunyai pengalaman dalam menilai strategi yang lebih mudah, sudah tiba masanya untuk melihat tawaran akademik yang lebih canggih. Sesetengah jurnal akademik akan sukar diakses, tanpa langganan yang tinggi atau kos sekali. Jika anda adalah ahli atau alumnus universiti, anda harus dapat mengakses beberapa jurnal kewangan ini. Jika tidak, anda boleh melihat pelayan pra-cetak, yang merupakan repositori internet draf akhir kertas akademik yang sedang menjalani tinjauan rakan sebaya. Oleh kerana kami hanya berminat dengan strategi yang dapat kami replikasi dengan berjaya, backtest dan mendapatkan keuntungan, tinjauan rakan sebaya kurang penting bagi kami.

Kelemahan utama strategi akademik adalah bahawa mereka sering boleh menjadi ketinggalan zaman, memerlukan data sejarah yang tidak jelas dan mahal, berdagang dalam kelas aset yang tidak cair atau tidak mengambil kira bayaran, seluncur atau penyebaran.

Berikut adalah senarai pelayan pra-cetak yang lebih popular dan jurnal kewangan yang anda boleh mendapatkan idea dari:

• arXiv
• SSRN
• Jurnal Strategi Pelaburan
• Journal of Computational Finance
• Kewangan Matematik

Bagaimana pula dengan membentuk strategi kuantitatif anda sendiri? Ini biasanya memerlukan (tetapi tidak terhad kepada) kepakaran dalam satu atau lebih kategori berikut:

• Mikrostruktur pasaran - Untuk strategi frekuensi yang lebih tinggi khususnya, seseorang boleh menggunakan mikrostruktur pasaran, iaitu memahami dinamik buku pesanan untuk menjana keuntungan. Pasar yang berbeza akan mempunyai pelbagai batasan teknologi, peraturan, peserta pasaran dan kekangan yang semuanya terbuka untuk dieksploitasi melalui strategi tertentu. Ini adalah bidang yang sangat canggih dan pengamal runcit akan merasa sukar untuk bersaing di ruang ini, terutamanya kerana persaingan termasuk dana lindung nilai kuantitatif yang besar dan bermodal baik dengan keupayaan teknologi yang kuat.
• Struktur dana - Dana pelaburan bersama, seperti dana pencen, perkongsian pelaburan persendirian (dana lindung nilai), penasihat perdagangan komoditi dan dana bersama terhad kedua-dua oleh peraturan yang berat dan rizab modal besar mereka. Oleh itu, tingkah laku yang konsisten tertentu dapat dieksploitasi dengan mereka yang lebih lincah. Sebagai contoh, dana besar tertakluk kepada kekangan kapasiti kerana saiz mereka. Oleh itu, jika mereka perlu dengan cepat melepaskan (menjual) sejumlah sekuriti, mereka perlu menghambatnya untuk mengelakkan menggerakkan pasaran. Algoritma canggih dapat memanfaatkan ini, dan idiosinkrasi lain, dalam proses umum yang dikenali sebagai arbitraj struktur dana.
• Pembelajaran mesin / kecerdasan buatan - Algoritma pembelajaran mesin telah menjadi lebih lazim dalam beberapa tahun kebelakangan ini di pasaran kewangan. Klasifikator (seperti Naive-Bayes, et al.) pencocokan fungsi bukan linear (jaringan saraf) dan rutin pengoptimuman (algoritma genetik) semuanya telah digunakan untuk meramalkan laluan aset atau mengoptimumkan strategi perdagangan.

Sudah tentu, terdapat banyak bidang lain untuk penyelidikan kuant. Kami akan membincangkan bagaimana untuk membuat strategi tersuai secara terperinci dalam artikel seterusnya.

Dengan terus memantau sumber-sumber ini setiap minggu, atau bahkan setiap hari, anda menyediakan diri anda untuk menerima senarai strategi yang konsisten dari pelbagai sumber. Langkah seterusnya adalah untuk menentukan bagaimana untuk menolak subset besar strategi ini untuk meminimumkan membuang masa anda dan sumber backtesting pada strategi yang mungkin tidak menguntungkan.

Penilaian Strategi Dagangan

Pertimbangan pertama, dan boleh dikatakan yang paling jelas adalah sama ada anda benar-benar memahami strategi. Adakah anda dapat menjelaskan strategi dengan ringkas atau adakah ia memerlukan rentetan amaran dan senarai parameter yang tidak berkesudahan? Di samping itu, adakah strategi itu mempunyai asas yang baik dan kukuh dalam realiti? Sebagai contoh, bolehkah anda menunjukkan beberapa alasan tingkah laku atau kekangan struktur dana yang mungkin menyebabkan corak yang anda cuba mengeksploitasi? Adakah kekangan ini bertahan terhadap perubahan rejim, seperti gangguan persekitaran peraturan yang dramatik? Adakah strategi bergantung pada peraturan statistik atau matematik yang kompleks? Adakah ia terpakai pada sebarang siri masa kewangan atau khusus untuk kelas aset yang diklaim menguntungkan? Anda harus sentiasa memikirkan faktor-faktor ini ketika menilai kaedah perdagangan baru, jika tidak, anda mungkin membuang banyak masa untuk mencuba kembali dan mengoptimumkan strategi yang tidak menguntungkan.

Apabila anda telah menentukan bahawa anda memahami prinsip asas strategi, anda perlu memutuskan sama ada ia sesuai dengan profil keperibadian anda yang disebutkan di atas. Ini bukan pertimbangan yang tidak jelas seperti kedengarannya! Strategi akan berbeza secara substansial dalam ciri prestasi mereka. Terdapat jenis keperibadian tertentu yang dapat mengendalikan tempoh penurunan yang lebih besar, atau bersedia menerima risiko yang lebih besar untuk pulangan yang lebih besar. Walaupun kita, sebagai kuant, cuba dan menghilangkan banyak bias kognitif yang mungkin dan harus dapat menilai strategi dengan tidak bersemangat, bias akan selalu merayap. Oleh itu, kita memerlukan cara yang konsisten dan tidak emosi untuk menilai prestasi strategi. Berikut adalah senarai kriteria yang saya menilai strategi baru yang berpotensi dengan:

• Metodologi - Adakah strategi berdasarkan momentum, membalikkan purata, neutral pasaran, arah? Adakah strategi bergantung pada teknik statistik atau pembelajaran mesin yang canggih (atau kompleks!) yang sukar difahami dan memerlukan PhD dalam statistik untuk memahami? Adakah teknik ini memperkenalkan sejumlah besar parameter, yang mungkin membawa kepada bias pengoptimuman? Adakah strategi cenderung untuk menahan perubahan rejim (iaitu potensi peraturan baru pasaran kewangan)?
• Nisbah Sharpe - Nisbah Sharpe secara heuristik mencirikan nisbah ganjaran / risiko strategi. Ia mengukur berapa banyak pulangan yang boleh anda capai untuk tahap turun naik yang ditanggung oleh kurva ekuiti. Secara semula jadi, kita perlu menentukan tempoh dan kekerapan yang pulangan dan turun naik ini (iaitu penyimpangan standard) diukur. Strategi kekerapan yang lebih tinggi memerlukan kadar pengambilan sampel penyimpangan standard yang lebih besar, tetapi jangka masa pengukuran keseluruhan yang lebih pendek, sebagai contoh.
• Leverage - Adakah strategi memerlukan leverage yang ketara untuk menjadi menguntungkan? Adakah strategi memerlukan penggunaan kontrak derivatif leveraged (masa hadapan, opsyen, pertukaran) untuk membuat pulangan? Kontrak leveraged ini boleh mempunyai ciri-ciri turun naik yang tinggi dan dengan itu boleh dengan mudah membawa kepada panggilan margin. Adakah anda mempunyai modal dagangan dan temperamen untuk turun naik tersebut?
• kekerapan - kekerapan strategi sangat berkaitan dengan timbunan teknologi anda (dan dengan itu kepakaran teknologi), nisbah Sharpe dan tahap keseluruhan kos transaksi. Semua isu lain yang dipertimbangkan, strategi kekerapan yang lebih tinggi memerlukan lebih banyak modal, lebih canggih dan lebih sukar untuk dilaksanakan.
• Volatiliti - Volatiliti sangat berkaitan dengan risiko strategi. Nisbah Sharpe mencirikan ini. Volatiliti yang lebih tinggi dari kelas aset asas, jika tidak dilindungi, sering menyebabkan volatiliti yang lebih tinggi dalam kurva ekuiti dan dengan itu nisbah Sharpe yang lebih kecil. Saya sudah tentu menganggap bahawa volatiliti positif kira-kira sama dengan volatiliti negatif. Sesetengah strategi mungkin mempunyai volatiliti penurunan yang lebih besar. Anda perlu menyedari sifat-sifat ini.
• Menang/Hilang, purata keuntungan/kerugian - Strategi akan berbeza dalam ciri kemenangan/kerugian dan purata keuntungan/kerugian mereka. Seseorang boleh mempunyai strategi yang sangat menguntungkan, walaupun jumlah perdagangan yang kalah melebihi bilangan perdagangan yang menang. Strategi momentum cenderung mempunyai corak ini kerana mereka bergantung pada sebilangan kecil hit besar untuk menjadi menguntungkan. Strategi pembalikan purata cenderung mempunyai profil yang bertentangan di mana lebih banyak perdagangan adalah pemenang, tetapi perdagangan yang kalah boleh menjadi agak teruk.
• Pendapatan maksimum - Pendapatan maksimum adalah penurunan peratusan keseluruhan tertinggi hingga terendah yang terbesar pada lengkung ekuiti strategi. Strategi momentum terkenal menderita tempoh penarikan yang berpanjangan (kerana rentetan banyak perdagangan yang kehilangan secara beransur-ansur). Ramai peniaga akan menyerah dalam tempoh penarikan yang berpanjangan, walaupun ujian sejarah telah menunjukkan ini adalah bisnis seperti biasa untuk strategi. Anda perlu menentukan peratusan penarikan (dan dalam tempoh berapa lama) yang boleh anda terima sebelum anda berhenti berdagang strategi anda. Ini adalah keputusan yang sangat peribadi dan oleh itu harus dipertimbangkan dengan teliti.
• Kapasiti / Kecairan - Pada peringkat runcit, kecuali anda berdagang dalam instrumen yang sangat tidak cair (seperti saham modal kecil), anda tidak perlu terlalu bimbang dengan kapasiti strategi. Kapasiti menentukan skalabiliti strategi untuk modal lebih lanjut. Banyak dana lindung nilai yang lebih besar mengalami masalah kapasiti yang signifikan kerana strategi mereka meningkatkan peruntukan modal.
• Parameter - Strategi tertentu (terutamanya yang terdapat dalam komuniti pembelajaran mesin) memerlukan sejumlah besar parameter. Setiap parameter tambahan yang diperlukan oleh strategi menjadikannya lebih terdedah kepada bias pengoptimuman (juga dikenali sebagai curve-fitting).
• Benchmark - Hampir semua strategi (kecuali dicirikan sebagai absolut return) diukur terhadap beberapa penanda aras prestasi. Penanda aras biasanya merupakan indeks yang mencirikan sampel besar kelas aset asas yang diperdagangkan oleh strategi. Jika strategi diperdagangkan saham AS besar, maka S&P500 akan menjadi penanda aras semula jadi untuk mengukur strategi anda.

Perhatikan bahawa kita tidak membincangkan pulangan sebenar strategi. Mengapa ini? Secara berasingan, pulangan sebenarnya memberi kita maklumat yang terhad mengenai keberkesanan strategi. Mereka tidak memberi anda gambaran mengenai leverage, turun naik, penanda aras atau keperluan modal. Oleh itu strategi jarang dinilai berdasarkan pulangan mereka sahaja. Sentiasa pertimbangkan sifat risiko strategi sebelum melihat pulangan.

Pada peringkat ini, banyak strategi yang dijumpai dari paip anda akan ditolak secara langsung, kerana mereka tidak akan memenuhi keperluan modal anda, sekatan leverage, toleransi pengeluaran maksimum atau pilihan turun naik. Strategi yang masih ada kini boleh dipertimbangkan untuk backtesting. Walau bagaimanapun, sebelum ini mungkin, adalah perlu untuk mempertimbangkan satu kriteria penolakan akhir - data sejarah yang tersedia untuk menguji strategi ini.

Mendapatkan Data Sejarah

Pada masa ini, keluasan keperluan teknikal di seluruh kelas aset untuk penyimpanan data sejarah adalah besar. Untuk kekal kompetitif, kedua-dua pihak membeli (dana) dan menjual (bank pelaburan) melabur banyak dalam infrastruktur teknikal mereka. Adalah penting untuk mempertimbangkan pentingnya. Khususnya, kami berminat dengan ketepatan masa, ketepatan dan keperluan penyimpanan. Saya sekarang akan menggariskan asas-asas mendapatkan data sejarah dan cara menyimpannya. Malangnya ini adalah topik yang sangat mendalam dan teknikal, jadi saya tidak akan dapat mengatakan semuanya dalam artikel ini. Walau bagaimanapun, saya akan menulis lebih banyak tentang ini pada masa akan datang kerana pengalaman industri saya sebelumnya dalam industri kewangan terutamanya berkaitan dengan pemerolehan data kewangan, penyimpanan dan akses.

Dalam bahagian sebelumnya kita telah menubuhkan saluran strategi yang membolehkan kita menolak strategi tertentu berdasarkan kriteria penolakan peribadi kita sendiri. Dalam bahagian ini kita akan menapis lebih banyak strategi berdasarkan pilihan kita sendiri untuk mendapatkan data sejarah. Pertimbangan utama (terutamanya di peringkat pengamal runcit) adalah kos data, keperluan penyimpanan dan tahap kepakaran teknikal anda. Kita juga perlu membincangkan pelbagai jenis data yang ada dan pertimbangan yang berbeza yang akan dikenakan setiap jenis data kepada kita.

Mari kita mulakan dengan membincangkan jenis data yang ada dan isu utama yang perlu kita fikirkan:

• Data asas - Ini termasuk data mengenai trend makroekonomi, seperti kadar faedah, angka inflasi, tindakan korporat (dividen, pembahagian saham), pemfailan SEC, akaun korporat, angka pendapatan, laporan tanaman, data meteorologi dan lain-lain. Data ini sering digunakan untuk menilai syarikat atau aset lain pada asas asas, iaitu melalui beberapa cara aliran tunai masa depan yang dijangkakan. Ia tidak termasuk siri harga saham. Beberapa data asas boleh didapati secara percuma dari laman web kerajaan. Data asas sejarah jangka panjang yang lain boleh menjadi sangat mahal. Keperluan penyimpanan sering tidak terlalu besar, kecuali ribuan syarikat dikaji sekaligus.
• Data berita - Data berita sering bersifat kualitatif. Ia terdiri daripada artikel, catatan blog, catatan mikroblog (tweets) dan editorial. Teknik pembelajaran mesin seperti pengelasan sering digunakan untuk menafsirkan sentimen. Data ini juga sering tersedia secara percuma atau murah, melalui langganan ke media.
• Data Harga Aset - Ini adalah domain data tradisional kuantiti. Ia terdiri daripada siri masa harga aset. Saham (stocks), produk pendapatan tetap (bond), komoditi dan harga pertukaran asing semuanya berada dalam kelas ini. Data sejarah harian sering mudah diperoleh untuk kelas aset yang lebih mudah, seperti ekuiti.
• Instrumen Kewangan - Saham, bon, niaga hadapan dan pilihan derivatif yang lebih eksotik mempunyai ciri dan parameter yang sangat berbeza. Oleh itu, tidak ada struktur pangkalan data satu saiz sesuai semua yang dapat menampung mereka. Penjagaan yang signifikan mesti diberikan kepada reka bentuk dan pelaksanaan struktur pangkalan data untuk pelbagai instrumen kewangan.
• Frekuensi - Semakin tinggi frekuensi data, semakin besar kos dan keperluan penyimpanan. Untuk strategi frekuensi rendah, data harian sering mencukupi. Untuk strategi frekuensi tinggi, mungkin perlu mendapatkan data tahap tik dan bahkan salinan sejarah data buku pesanan pertukaran perdagangan tertentu. Mengimplementasikan enjin penyimpanan untuk jenis data ini sangat intensif secara teknologi dan hanya sesuai untuk mereka yang mempunyai latar belakang pengaturcaraan / teknikal yang kuat.
• Benchmarks - Strategi yang diterangkan di atas sering dibandingkan dengan penanda aras. Ini biasanya memanifestasikan dirinya sebagai siri masa kewangan tambahan. Untuk ekuiti, ini sering merupakan penanda aras saham kebangsaan, seperti indeks S&P500 (AS) atau FTSE100 (UK). Untuk dana pendapatan tetap, adalah berguna untuk membandingkan terhadap bakul bon atau produk pendapatan tetap.
• Teknologi - Tumpukan teknologi di sebalik pusat penyimpanan data kewangan adalah kompleks. Artikel ini hanya dapat menggaruk permukaan tentang apa yang terlibat dalam membina satu. Walau bagaimanapun, ia berpusat di sekitar enjin pangkalan data, seperti Sistem Pengurusan Pangkalan Data Relasional (RDBMS), seperti MySQL, SQL Server, Oracle atau Enjin Penyimpanan Dokumen (iaitu NoSQL). Ini diakses melalui kod aplikasi logik perniagaan yang menanyakan pangkalan data dan memberikan akses kepada alat luaran, seperti MATLAB, R atau Excel. Selalunya logika perniagaan ini ditulis dalam C ++, C #, Java atau Python. Anda juga perlu menjadi tuan rumah data ini di suatu tempat, sama ada di komputer peribadi anda sendiri, atau dari jauh melalui pelayan internet. Produk seperti Amazon Web Services telah menjadikan ini lebih mudah dan lebih murah dalam beberapa tahun kebelakangan ini, tetapi ia masih memerlukan kepakaran teknikal yang ketara untuk mencapai dengan cara yang mantap.

Seperti yang dapat dilihat, sebaik sahaja strategi telah dikenal pasti melalui saluran paip, perlu untuk menilai ketersediaan, kos, kerumitan dan butiran pelaksanaan satu set data sejarah tertentu. Anda mungkin mendapati perlu untuk menolak strategi yang berdasarkan semata-mata pada pertimbangan data sejarah. Ini adalah kawasan yang besar dan pasukan PhD bekerja pada dana yang besar memastikan harga adalah tepat dan tepat pada masanya. Jangan meremehkan kesukaran mewujudkan pusat data yang kukuh untuk tujuan backtesting anda!

Saya ingin mengatakan, bagaimanapun, bahawa banyak platform backtesting boleh menyediakan data ini untuk anda secara automatik - dengan kos. Dengan itu ia akan mengambil banyak kesakitan pelaksanaan dari anda, dan anda boleh menumpukan perhatian semata-mata pada pelaksanaan dan pengoptimuman strategi. Alat seperti TradeStation memiliki keupayaan ini. Walau bagaimanapun, pandangan peribadi saya adalah untuk melaksanakan sebanyak mungkin secara dalaman dan mengelakkan outsourcing bahagian tumpukan kepada vendor perisian. Saya lebih suka strategi kekerapan yang lebih tinggi kerana nisbah Sharpe mereka yang lebih menarik, tetapi mereka sering dikaitkan erat dengan tumpukan teknologi, di mana pengoptimuman lanjutan adalah kritikal.

Sekarang bahawa kita telah membincangkan isu-isu yang mengelilingi data sejarah ia adalah masa untuk memulakan pelaksanaan strategi kita dalam enjin backtesting.