Statistiska handelsstrategier pdf

Statistiska handelsstrategier Slutliga bruttopriser kan variera beroende på lokal moms. Finansteorierna bakom kapitlen 8 och 10 förutsätter avsaknad av arbitrage, vilket leder till prissättningsmodeller som är martingales efter justeringar för marknadspriset på risk. Eftersom martingalemodellerna utesluter att göra riskjusterade vinster via handelsstrategier, innebär dessa teorier att derivatmarknaderna bara skulle locka säkringar. som använder derivat för att minska risken för framtida rörelser av aktie - eller obligationspriser. Som påpekat av Hull (2006, kapitel 1) har derivatmarknaderna också lockat spekulanter och arbitragerare som försöker dra fördel av skillnaderna mellan de arbitragefria teorierna och de faktiska marknadspriserna. Hedgefonder har nu blivit stora användare av derivat för alla tre ändamål, nämligen säkring, spekulation och arbitrage. Statistisk inlärning av marknadsmönster kan fortsätta med olika nivåer av upplösning. Som påpekat i avsnitt 3.1.2 kan den högsta upplösningen erhållas från transaktion per transaktion eller handelstransaktion på värdepappersmarknader. I avsnitt 11.2 beskriver vi statistiska modeller och metoder för att studera marknadsmikrostruktur. Den illustrerar dessa statistiska metoder med intradagstransaktioner av IBM-aktier från 2 januari till 31 mars 2003 och ger en kort introduktion till realtidshandel, som har blivit populär för hedgefonder och investeringsbanker. Även om Markowitz, CAPM och Black-Scholes teorier i kapitel 3 och 8 antar avsaknaden av marknadsfriktion och i synnerhet inga transaktionskostnader, är transaktionskostnaderna ett viktigt övervägande vid utformningen och utvärderingen av statistiska handelsstrategier. Avsnitt 11.3 ger en introduktion till uppskattning och analys av transaktionskostnader och diskuterar hur transaktionskostnaderna och den dynamiska karaktären av handel har infört utmaningar för utvecklingen av statistiska handelsstrategier. Utveckling med gaussiska modeller av statistik Carl Friedrich Gauss var en lysande matematiker som bodde i tidigt 1800-talet och gav världens kvadratiska ekvationer, metoder för minsta kvadratanalys och normal distribution. Även om Pierre Simon LaPlace betraktades som den ursprungliga grundaren av den normala distributionen 1809, får Gauss ofta krediten för upptäckten, eftersom han skrev om konceptet tidigt och det har varit föremål för mycket studier av matematiker i 200 år. Faktum är att denna distribution ofta kallas Gaussian Distribution. Hela undersökningen av statistik härstammar från Gauss och lät oss förstå marknader. priser och sannolikheter bland andra applikationer. Modern terminologi definierar den normala fördelningen som klockkurvan med normala parametrar. Och eftersom det enda sättet att förstå Gauss och klockkurvan är att förstå statistik kommer denna artikel att bygga en klockkurva och applicera den på ett handelsexempel. Medel, Median och Mode Det finns tre metoder för att bestämma fördelningar: medelvärde. median och läge. Medlen är fakturerade genom att lägga till alla poäng och dela med antalet poäng för att få genomsnittet. Median är fakturerad genom att lägga till de två mellannivåerna i ett prov och dela med två, eller helt enkelt bara ta medeltalet från en ordinär sekvens. Läge är det vanligaste av numren i en fördelning av värden. Den bästa metoden för att få insikt i en talföljd är att använda betyder eftersom det är medelvärdet för alla tal och är sålunda mest reflexiva för hela distributionen. Detta var den gaussiska inställningen, och hans föredragna metod. Vad vi mäter här är parametrar för central tendens, eller för att svara på var våra provresultat leder. För att förstå detta måste vi plotta våra poäng som börjar med 0 i mitten och plot 1, 2 och 3 standardavvikelser till höger och -1, -2 och -3 till vänster, i förhållande till medelvärdet. Noll hänvisar till distributionsmedelvärdet. (Många hedgefonder genomför matematiska strategier. För att läsa mer, läs Kvantitativ analys av hedgefonder och multivariata modeller: Monte Carlo-analysen.) Standardavvikelse och varians Om värdena följer ett normalt mönster kommer vi att hitta 68 av alla poäng som kommer att falla inom -1 och 1 standardavvikelser faller 95 inom två standardavvikelser och 99 faller inom tre standardavvikelser av medelvärdet. Men det här räcker inte för att berätta om kurvan. Vi behöver bestämma den faktiska variansen och andra kvantitativa och kvalitativa faktorer. Varianter svarar på hur spridningen av vår distribution är. Det kan finnas faktorer i möjligheterna till varför avvikelser i vårt urval och hjälper oss att förstå dessa outliers och hur de kan identifieras. Till exempel, om ett värde faller sex standardavvikelser över eller under medelvärdet kan det klassificeras som en outlier för analysens syfte. Standardavvikelser är en viktig metrik som bara är variansens ruta. Moderna termer kallar denna dispersion. Vid en Gauss-fördelning kan vi känna till procentandelen av de poäng som faller inom plus eller minus 1, 2 eller 3 standardavvikelser från medelvärdet, om vi vet medel - och standardavvikelsen. Detta kallas förtroendeintervallet. Så här vet vi att 68 fördelningar faller inom plus eller minus 1 standardavvikelse, 95 inom plus eller minus två standardavvikelser och 99 inom plus eller minus 3 standardavvikelser. Gauss kallade dessa sannolikhetsfunktioner. (För mer information om statistisk analys, kolla in Förstå volatilitetsåtgärder.) Skew och Kurtosis Hittills har den här artikeln varit en förklaring av medelvärdet och de olika beräkningarna som hjälper oss att förklara det närmare. När vi en gång hade ritat våra distributionspoäng, drog vi i grunden vår klockkurva framför alla poäng, förutsatt att de hade normala egenskaper. Så här räcker det inte för att vi har svansar på vår kurva som behöver förklaring för att bättre förstå hela kurvan. För att göra detta går vi till tredje och fjärde stunderna av statistiken över fördelningen kallad skew och kurtosis. Sätsak av svans mäter asymmetri av fördelningen. En positiv skev har en avvikelse från det medelvärde som är positivt och vridet rätt, medan en negativ skev har en avvikelse från det genomsnittliga snedställda väsentligen, har fördelningen en tendens att vara skevad på en viss sida av medelvärdet. En symmetrisk skev har 0 varians som bildar en perfekt normal fördelning. När klockkurvan ritas först med en lång svans. detta är positivt. Den långa svansen i början före klumpkurvan klarar sig negativt skevad. Om en fördelning är symmetrisk kommer summan av kubade avvikelser över medelvärdet att balansera de kubade avvikelserna under medelvärdet. En snedställd rätt fördelning kommer att ha en skev större än noll, medan en skev vänster fördelning kommer att ha en skev mindre än noll. (Kurvan kan vara ett kraftfullt handelsverktyg: för mer relaterad läsning hänvisas till aktiemarknadsrisk: Wagging the Tails.) Kurtosis förklarar fördelningens topp - och värdekoncentrationsegenskaper. Ett negativt överskott av kurtos. kallad platykurtos kännetecknas som en ganska platt fördelning där det finns en mindre koncentration av värden runt medelvärdet och svansarna är betydligt fetare än en mesokurtisk (normal) fördelning. Å andra sidan innehåller en leptokurtisk fördelning tunna svansar, eftersom mycket av data är koncentrerad till medelvärdet. Skew är viktigare för att bedöma handelspositioner än kurtosis. Analys av räntebärande värdepapper kräver noggrann statistisk analys för att bestämma volatiliteten i en portfölj när räntorna varierar. Modeller för att förutsäga rörelseriktningen måste vara en faktor i skævhet och kurtos för att prognostisera en obligationsportföljs resultat. Dessa statistiska begrepp tillämpas vidare för att bestämma prisrörelser för många andra finansiella instrument. såsom aktier, optioner och valutapar. Skews används för att mäta optionspriser genom mätning av underförstådda volatiliteter. Applicera den för handel Standardavvikelseåtgärder volatilitet och frågar vilken typ av resultatavkastning som kan förväntas. Mindre standardavvikelser kan innebära mindre risk för ett lager, medan högre volatilitet kan innebära en högre osäkerhet. Traders kan mäta stängningspriser från genomsnittet eftersom det är dispergerat från medelvärdet. Dispersionen mäter då skillnaden från verkligt värde till medelvärde. En större skillnad mellan de två innebär en högre standardavvikelse och volatilitet. Priser som avviker långt ifrån medelvärdet återgår ofta till medelvärdet, så att handlare kan utnyttja dessa situationer. Priser som handlar i ett litet sortiment är redo för en paus. Den ofta använda tekniska indikatorn för standardavvikshandlingar är Bollinger Band. eftersom de är ett mått på volatilitet som är inställd på två standardavvikelser för övre och nedre band med ett 21-dagars glidande medelvärde. Gaussdistributionen var bara början på förståelsen av marknadssannolikheter. Det ledde senare till Time Series och Garch Models. liksom fler tillämpningar av skew som Volatility Smile. En ekonomisk teori om totala utgifter i ekonomin och dess effekter på produktion och inflation. Keynesian ekonomi utvecklades. En innehav av en tillgång i en portfölj. En portföljinvestering görs med förväntan på att få en avkastning på den. Detta. Ett förhållande som utvecklats av Jack Treynor som mäter avkastning som förvärvats över det som kunde ha blivit förtjänat på en risklös. Återköp av utestående aktier (återköp) av ett bolag för att minska antalet aktier på marknaden. Företag. En skatteåterbäring är en återbetalning av skatter som betalas till en individ eller hushåll när den faktiska skatteskulden är mindre än beloppet. Det monetära värdet av alla färdiga varor och tjänster som produceras inom ett land039 gränsar under en viss tidsperiod. Statliga Arbitrage Trading Strategies and High Frequency Trading Thomas A. Hanson Kent State University - Finansdepartementet Joshua R. Hall Kent State University - College of Företagsekonomi 12 september 2012 Statistisk arbitrage är en populär handelsstrategi som används av hedgefonder och proprietära handelsdiskar, byggt på den statistiska notionen om samfördelning för att identifiera lönsamma handelsmöjligheter. Med tanke på det revolutionerande skiftet på marknaderna som representeras av högfrekvenshandel (HFT) är det inte överraskande att risker och belöningar har förändrats. I detta dokument undersöks effekten av HFT-volymen på statistisk arbitrage lönsamhet och rapporterar tre trender i data. För det första orsakar högre nivåer av comovement på grund av HFT fler stockpar att samordnas. För det andra förblir lönsamheten från statistisk arbitrage stabil bland desilerna med de flesta HFT. För det tredje är lönsamhetsområdet större under de senaste åren. Dessa fynd tyder på att HFT ökar korrelationen och volatiliteten och har en direkt inverkan på statistiska arbitragehandelstrategier. Antal sidor i PDF-fil: 36 Nyckelord: statistisk arbitrage, parhandel, cointegration, högfrekvent handel JEL Klassificering: G12 Datum publicerad: 16 september 2012 Senast reviderad: 19 februari 2013 Förslag till citat Hanson, Thomas A. och Hall, Joshua R. Statistiska Arbitrage Trading Strategies och High Frequency Trading (12 september 2012). Tillgänglig på SSRN: ssrnabstract2147012 eller dx. doi. org10.2139ssrn.2147012 Kontaktinformation Thomas A. Hanson (Kontakt Författare) Kent State University - Institutionen för ekonomi (email) Företagsekonomiska högskolan P. O. Box 5190 Kent, OH 44242-0001 USA Joshua R. Hall Personer som laddade ner det här papperet har också laddat ner: 1. Granskning av Statistisk Arbitrage, Samverkanning och Multivariat Ornstein-Uhlenbeck Av Attilio Meucci 2. Fallet med Guld och Silver: En Ny Algoritm för parhandel av Dr. jay Desai. Arti Trivedi. 3. Val av en portfölj av par baserade på samverkan: En statistisk arbitrage strategi av Joo Caldeira och Guilherme Moura Personer som laddade ner detta dokument laddades också ner: 1. Granskning av Statistisk Arbitrage, Samverkanning och Multivariat Ornstein-Uhlenbeck Av Attilio Meucci 2. Fall av guld och silver: En ny algoritm för parhandel av Dr. jay Desai. Arti Trivedi. 3. Val av en portfölj av par baserade på samfördelning: En statistisk arbitrage strategi av Joo Caldeira och Guilherme Moura 4. Statistisk Arbitrage: Medelfrekvensportföljhandel av Igor Skachkov 6. Diversifierad Statistisk Arbitrage: Dynamisk Kombinering av Mean Reversion and Momentum Strategies av James Velissaris 7. Handel med högfrekventa aktier i eget kapital: Transaktionskostnader, genomförandegrad och mönster i avkastning av David Bowen. Mark Hutchinson. 9. High Frequency Trading och New Market Makers Av Albert J. MenkveldFinancial Mathematics and Modeling II (FINC 621) är en examenivå klass som för närvarande erbjuds vid Loyola University i Chicago under vinterkvartalet. FINC 621 utforskar ämnen i kvantitativ finans, matematik och programmering. Klassen är praktisk i naturen och består av både en föreläsning och en laboratoriekomponent. Labberna använder R-programmeringsspråket och studenterna ska lämna in sina individuella uppdrag i slutet av varje klass. Målet med FINC 621 är att ge studenterna praktiska verktyg som de kan använda för att skapa, modellera och analysera enkla handelsstrategier. Några användbara R-länkar Om instruktören Harry G. är en ledande kvantitativ näringsidkare för ett HFT-handelsföretag i Chicago. Han har en master8217 grad i elektroteknik och en master8217s examen i finansiell matematik från University of Chicago. Under sin fritid lär Harry en högskoleexamen i Quantitative Finance vid Loyola University i Chicago. Han är också författare till Quantitative Trading with R.