R استراتيجيات التداول

و التاجر R.

استخدام R والأدوات ذات الصلة في التمويل الكمي.

أرتشيف فور & # 8216؛ ترادينغ ستراتيجيس & # 8217؛ الفئة.

ربط R إلى إقفيد مع حزمة كوانتولس.

يوفر إقفيد تدفق خدمات البيانات والحلول التجارية التي تغطي السوق الزراعي والطاقة والمالية. بل هو معروف ومعترف به مزود تغذية البيانات الموجهة نحو مستخدمي التجزئة والمؤسسات الصغيرة. يبدأ سعر الاشتراك في حوالي 80 $ / الشهر.

وقد وضعت ستانيسلاف كوفاليفسكي حزمة تسمى كوانتولس. بل هو حزمة في كل واحدة تهدف إلى تعزيز النمذجة التداول الكمي. فإنه يسمح لتحميل وتنظيم بيانات السوق التاريخية من مصادر متعددة مثل ياهو، جوجل، فينام، موكس و إكيفيد. الميزة التي تهمني أكثر هي القدرة على ربط إكفيد ل R. I & # 8217؛ لقد تم استخدام إكفيد لبضع سنوات وأنا & # 8217؛ م سعيد معها (أنا & # 8217؛ م لا ينتمي إلى الشركة في أي الطريق). ويمكن الاطلاع على مزيد من المعلومات هنا. أنا & # 8217؛ كنت تبحث عن التكامل داخل R لفترة من الوقت وهنا هو. ونتيجة لذلك، بعد أن ركضت بعض الاختبارات، انتقلت التعليمات البرمجية التي كانت لا تزال في بيثون إلى R. مجرد اكتمال، وهنا & # 8217؛ ق رابط يشرح كيفية تحميل البيانات التاريخية من إكفيد باستخدام بايثون.

كوانتولس يقدم أربع وظائف رئيسية هي: الحصول على بيانات السوق، مخزن / استرداد بيانات السوق، مؤامرة البيانات سلسلة الوقت والاختبار مرة أخرى.

تأكد أولا من أن إقفيد مفتوح. يمكنك إما تحميل البيانات اليومية أو خلال اليوم. أدناه رمز التنزيلات الأسعار اليومية (المفتوحة، عالية، منخفضة، إغلاق) ل سبي من 1 يناير 2017 إلى 1 يونيو 2017.

أدناه رمز التنزيلات البيانات اللحظية من 1 مايو 2017 إلى 3 مايو 2017.

لاحظ معلمة الفترة. يمكن أن تأخذ أي من القيم التالية: القراد، 1min، 5min، 10min، 15min، 30min، ساعة، يوم، أسبوع، شهر، اعتمادا على التردد الذي تحتاجه.

كوانتولس يجعل عملية إدارة وتخزين بيانات سوق القراد سهلة. كنت فقط الإعداد معلمات التخزين وكنت على استعداد للذهاب. المعلمات هي حيث، منذ التاريخ والرموز التي ترغب في أن يتم تخزينها. في أي وقت يمكنك إضافة المزيد من الرموز وإذا لم تكن موجودة في التخزين، كوانتولس يحاول الحصول على البيانات من تاريخ البدء المحدد. سيقوم الرمز أدناه بحفظ البيانات في الدليل التالي: & # 8220؛ C: / وسرس / أرنو / دوكومينتس / ماركيت داتا / إكفيد & # 8221 ؛. هناك مجلد فرعي واحد من قبل أداة والبيانات هو أفيد في ملفات. rds.

يمكنك أيضا تخزين البيانات بين تواريخ محددة. استبدل السطر الأخير من الشفرة أعلاه بأحد الخيارات التالية.

الآن إذا كنت ترغب في الحصول على العودة بعض البيانات التي قمت بتخزينها، مجرد تشغيل شيء مثل:

لاحظ أن القراد فقط معتمد في التخزين المحلي لذلك يجب أن تكون الفترة & # 8216؛ علامة & # 8217؛

كوانتولس يوفر وظيفة plot_ts لرسم البيانات سلسلة الوقت دون عطلة نهاية الأسبوع، والعطلات والثغرات بين عشية وضحاها. في المثال أدناه، أنا أولا استرداد البيانات المخزنة أعلاه، ثم حدد أول 100 الملاحظات السعر وأخيرا رسم المخطط.

أمران أن نلاحظ: الجاسوس الأول هو كائن data. table وبالتالي بناء الجملة أعلاه. للحصول على لمحة سريعة عن قدرات data. table لها نظرة على هذه الورقة الغش ممتازة من داتاكامب. ثانيا المعلمة المحلية ترو كما يتم استرجاع البيانات من وحدة التخزين الداخلية.

كوانتولس يسمح لكتابة استراتيجية التداول الخاصة بك باستخدام C ++ أبي. أنا & # 8217؛ م لن نتحدث عن هذا لأن هذا هو أساسا C ++ التعليمات البرمجية. يمكنك الرجوع إلى قسم الأمثلة على موقع كوانتولس.

عموما أجد حزمة مفيدة للغاية وموثقة بشكل جيد. الشيء الوحيد المفقود هو تغذية حية بين R و إقفيد والتي سوف تجعل حزمة نهاية حقيقية لإنهاء الحل.

كالمعتاد أي تعليقات موضع ترحيب.

بيرت: الوافد الجديد في اتصال R إكسيل.

قبل بضعة أشهر قارئ يشير لي من هذه الطريقة الجديدة لربط R و إكسيل. أنا لا أعرف كم من الوقت كان هذا حولها، ولكن أنا لم تأتي عبر ذلك وأنا & # 8217؛ لم أر أي مشاركة بلوق أو مقالة حول هذا الموضوع. لذلك قررت أن أكتب وظيفة كأداة حقا يستحق ذلك وقبل أن يسأل أي شخص، أنا & # 8217؛ م لا علاقة للشركة بأي شكل من الأشكال.

يقف بيرت لمجموعة أدوات إكسيل R الأساسية. إنه مجاني (مرخص بموجب غل v2) وقد تم تطويره من قبل ستروتوريد داتا ليك. في وقت كتابة النسخة الحالية من بيرت هو 1.07. ويمكن الاطلاع على مزيد من المعلومات هنا. من منظور أكثر تقنية، تم تصميم بيرت لدعم تشغيل وظائف R من خلايا جداول البيانات إكسل. في عبارات إكسيل، فإنه يتم كتابة المهام التي يحددها المستخدم (أودفس) في R.

في هذا المنصب أنا & # 8217؛ م لن تظهر لك كيف R و إكسيل التفاعل عبر بيرت. هناك دروس جيدة جدا هنا، هنا وهنا. بدلا من ذلك أريد أن تظهر لك كيف استخدمت بيرت لبناء & # 8220؛ برج التحكم & # 8221؛ لتداول بلدي.

يتم إنشاء إشارات التداول الخاصة بي باستخدام قائمة طويلة من الملفات R ولكن أنا بحاجة إلى مرونة إكسيل لعرض النتائج بسرعة وكفاءة. كما هو مبين أعلاه بيرت يمكن أن تفعل هذا بالنسبة لي ولكن أريد أيضا أن خياط التطبيق لاحتياجاتي. من خلال الجمع بين قوة شمل، فبا، R و بيرت يمكنني إنشاء تطبيق جيد حتى الآن قوية في شكل ملف إكسيل مع الحد الأدنى من التعليمات البرمجية فبا. في نهاية المطاف لدي ملف اكسل واحد جمع كل المهام اللازمة لإدارة محفظتي: تحديث قاعدة البيانات، توليد إشارة، تقديم الطلبات الخ & # 8230؛ ويمكن تقسيم نهجي في الخطوات الثلاث التالية:

استخدم شمل لإنشاء قوائم وأزرار محددة من قبل المستخدم في ملف إكسيل. القوائم المذكورة أعلاه وأزرار هي أساسا يدعو إلى وظائف فبا. تلك الوظائف فبا هي التفاف حول وظائف R المعرفة باستخدام بيرت.

مع هذا النهج يمكنني الحفاظ على تمييز واضح بين جوهر بلدي رمز الاحتفاظ بها في R، سكل وبيثون وكل ما يستخدم لعرض وتنسيق النتائج أبقى في إكسيل، فبا & أمب؛ XML. في الأقسام التالية أقدم الشرط الأساسي لتطوير مثل هذا النهج ودليل خطوة بخطوة يوضح كيف يمكن استخدام بيرت لمجرد تمرير البيانات من R إلى إكسيل مع الحد الأدنى من التعليمات البرمجية فبا.

1 & # 8211؛ تحميل وتثبيت بيرت من هذا الرابط. بمجرد اكتمال التثبيت يجب أن يكون لديك قائمة الوظائف الإضافية الجديدة في إكسيل مع الأزرار كما هو موضح أدناه. هذه هي الطريقة التي تحققت بيرت في إكسيل.

2 & # 8211؛ تنزيل وتثبيت محرر واجهة مستخدم مخصص: يسمح محرر واجهة المستخدم المخصص بإنشاء قوائم وأزرار محددة من قبل المستخدم في شريط إكسيل. يتوفر إجراء خطوة بخطوة هنا.

1 & # 8211؛ R كود: وظيفة R أدناه هي قطعة بسيطة جدا من التعليمات البرمجية لأغراض التوضيح فقط. ويحسب ويعيد البقايا من الانحدار الخطي. هذا هو ما نريد استرداد في إكسيل. حفظ هذا في ملف يسمى myRCode. R (أي اسم آخر على ما يرام) في دليل من اختيارك.

2 & # 8211؛ functions. R في بيرت: من إكسيل حدد الوظائف الإضافية - & غ؛ الصفحة الرئيسية الدليل وفتح الملف يسمى functions. R. في هذا الملف قم بلصق التعليمة البرمجية التالية. تأكد من إدراج المسار الصحيح.

هذا هو مجرد مصادر في بيرت ملف R قمت بإنشائه أعلاه. ثم حفظ وإغلاق الملف functions. R. إذا كنت تريد إجراء أي تغيير على ملف R الذي تم إنشاؤه في الخطوة 1 سيكون لديك لإعادة تحميله باستخدام زر بيرت & # 8220؛ تحديث ملف بدء التشغيل & # 8221؛ من القائمة الوظائف الإضافية في إكسيل.

3 & # 8211؛ في إكسيل: إنشاء وحفظ ملف يسمى myFile. xslm (أي اسم آخر على ما يرام). هذا هو ملف تمكين ماكرو الذي تقوم بحفظه في الدليل الذي تختاره. مرة واحدة يتم حفظ الملف إغلاقه.

4 & # 8211؛ افتح الملف الذي تم إنشاؤه أعلاه في محرر واجهة المستخدم المخصصة: بعد فتح الملف، الصق الشفرة التالية.

يجب أن يكون لديك شيء من هذا القبيل في محرر شمل:

أساسا هذه القطعة من رمز شمل يخلق قائمة إضافية (رترادر)، مجموعة جديدة (مجموعتي) وزر تعريف المستخدم (زر جديد) في الشريط إكسيل. بعد الانتهاء من إجراء ذلك، افتح myFile. xslm في إكسيل وأغلق محرر واجهة المستخدم المخصص. يجب أن نرى شيئا من هذا القبيل.

5 & ​​# 8211؛ فتح محرر فبا: في myFile. xlsm إدراج وحدة نمطية جديدة. قم بلصق التعليمة البرمجية أدناه في الوحدة النمطية التي تم إنشاؤها حديثا.

يؤدي ذلك إلى محو النتائج السابقة في ورقة العمل قبل التعامل مع نتائج جديدة.

6 & # 8211؛ انقر فوق زر جديد: الآن عد إلى جدول البيانات وفي القائمة رترادر ​​انقر فوق & # 8220؛ زر جديد & # 8221؛ زر. يجب أن تشاهد شيئا مثل ما يظهر أدناه.

الدليل أعلاه هو نسخة أساسية جدا من ما يمكن تحقيقه باستخدام بيرت لكنه يظهر لك كيفية الجمع بين قوة عدة أدوات محددة لبناء التطبيق المخصص الخاص بك. من وجهة نظري مصلحة هذا النهج هو القدرة على الغراء معا R و إكسيل الواضح ولكن أيضا لتشمل عن طريق شمل (والدفعة) قطعة من التعليمات البرمجية من بايثون، سكل وأكثر من ذلك. هذا هو بالضبط ما كنت بحاجة إليه. وأخيرا أود أن تكون غريبة لمعرفة ما إذا كان أي شخص لديه أي خبرة مع بيرت؟

استراتيجية التداول: الاستفادة القصوى من البيانات من العينة.

عند اختبار استراتيجيات التداول هناك نهج مشترك هو تقسيم مجموعة البيانات الأولية إلى بيانات العينة: الجزء من البيانات المصممة لمعايرة النموذج والخروج من بيانات العينة: جزء من البيانات المستخدمة للتحقق من صحة المعايرة وضمان أن الأداء التي تم إنشاؤها في عينة ستنعكس في العالم الحقيقي. وكقاعدة عامة يمكن استخدام حوالي 70٪ من البيانات الأولية للمعايرة (أي في العينة) و 30٪ للتحقق (أي من العينة). ثم تساعد مقارنة البيانات داخل وخارج العينة على تحديد ما إذا كان النموذج قويا بما فيه الكفاية. ويهدف هذا المنصب إلى المضي قدما خطوة أخرى ويوفر طريقة إحصائية لتقرير ما إذا كان خارج العينة البيانات يتماشى مع ما تم إنشاؤه في العينة.

في الرسم البياني أدناه تمثل المنطقة الزرقاء خارج أداء العينة لأحد استراتيجياتي.

فحص بصري بسيط يكشف عن تناسب جيد بين داخل وخارج أداء العينة ولكن ما هي درجة الثقة لدي في هذا؟ في هذه المرحلة ليس كثيرا، وهذه هي القضية. والمطلوب حقا هو مقياس للتشابه بين مجموعات البيانات داخل وخارج العينة. ومن الناحية الإحصائية، يمكن ترجمة ذلك على أنه احتمال أن تأتي أرقام أداء العينة وخارجها من نفس التوزيع. هناك اختبار إحصائي غير بارامتري الذي يفعل بالضبط هذا: اختبار كروسكال واليس. ويمكن العثور على تعريف جيد لهذا الاختبار على R-توتور & # 8220؛ مجموعة من عينات البيانات مستقلة إذا كانت تأتي من السكان غير ذات الصلة والعينات لا تؤثر على بعضها البعض. باستخدام اختبار كروسكال واليس، يمكننا أن نقرر ما إذا كانت التوزيعات السكانية متطابقة دون افتراض أنها تتبع التوزيع الطبيعي. & # 8221؛ الفائدة الإضافية لهذا الاختبار لا يفترض توزيع طبيعي.

وتوجد اختبارات أخرى من نفس الطبيعة يمكن أن تتلاءم مع هذا الإطار. اختبار مان-ويتني-ويلكوكسون أو اختبارات كولموغوروف-سميرنوف يناسب تماما الإطار يصف هنا ولكن هذا خارج نطاق هذه المقالة لمناقشة إيجابيات وسلبيات كل من هذه الاختبارات. ويمكن الاطلاع على وصف جيد جنبا إلى جنب مع الأمثلة R هنا.

هنا الرمز المستخدم لإنشاء الرسم البياني أعلاه والتحليل:

في المثال أعلاه في فترة العينة أطول من خارج الفترة عينة ولذلك أنا عشوائيا إنشاء 1000 مجموعات فرعية من البيانات في العينة كل واحد لها نفس طول البيانات خارج العينة. ثم اختبرت كل عينة فرعية في مقابل عينة من البيانات وسجلت قيم p. هذه العملية لا تخلق قيمة P واحدة لاختبار كروسكال واليس ولكن التوزيع يجعل التحليل أكثر قوة. في هذا المثال يكون متوسط ​​قيم p أعلى بكثير من الصفر (0.478) مما يشير إلى أنه يجب قبول الفرضية الصفرية: فهناك أدلة قوية على أن البيانات داخل وخارج العينة تأتي من نفس التوزيع.

كالمعتاد ما هو عرض في هذا المنصب هو مثال لعبة أن خدوش فقط على سطح المشكلة ويجب أن تكون مصممة لتلبية الاحتياجات الفردية. ومع ذلك أعتقد أنه يقترح إطارا إحصائيا للاهتمام والعقلاني لتقييم نتائج العينة.

هذه المقالة مستوحاة من الورقتين التاليتين:

فيجيل ألكسندر، شميل سوان (2007)، "آثار وظائف التحسين المختلفة على الخروج من عينة أداء استراتيجيات التداول المتطورة وراثيا"، التنبؤ مؤتمر الأسواق المالية.

فيجيه أليكساندر، شميل سوان (2018)، "عملية التحسين لتحسين / الخروج من عينة الاتساق، حالة سوق الأوراق المالية»، مؤتمر مورغان كازينوف الأسهم الكمية الكمية، لندن أكتوبر 2018.

تقديم فيدلر: فينانسيال داتا لوادير.

فيدلر هو رستوديو أدين تهدف إلى تبسيط عملية تنزيل البيانات المالية من مختلف مقدمي الخدمات. هذا الإصدار الأولي هو المجمع حول وظيفة جيتسيمبولس في حزمة كوانتمود ويتم دعم فقط ياهو، جوجل، فريد و أواندا. أنا ربما إضافة وظائف مع مرور الوقت. كالمعتاد مع هذه الأشياء مجرد تذكير نوع: & # 8220؛ يتم توفير البرنامج & # 8220؛ كما هو & # 8221؛، دون ضمان من أي نوع & # 8230؛ & # 8221؛

كيفية تثبيت واستخدام فيدلر؟

يمكنك الحصول على أدين / حزمة من مستودع جيثب هنا (وسوف يسجل على كران في وقت لاحق) تثبيت أدين. هناك تعليمي ممتاز لتثبيت رستوديو أدينز هنا. بمجرد تثبيت أدين يجب أن تظهر في القائمة أدين. اخترت فقط فيدلر في القائمة ونافذة كما في الصورة أدناه يجب أن تظهر. اختر موفر بيانات من القائمة المنسدلة المصدر. حدد نطاق تاريخ من قائمة التاريخ أدخل الرمز الذي ترغب في تنزيله في مربع النص الخاص بالأداة. لتحميل عدة رموز فقط أدخل الرموز مفصولة بفواصل. استخدام أزرار الراديو لاختيار ما إذا كنت ترغب في تحميل الصك في ملف كسف أو في البيئة العالمية. سيتم حفظ ملف كسف في دليل العمل وسيكون هناك ملف كسف واحد لكل أداة. اضغط على تشغيل للحصول على البيانات أو إغلاق لإغلاق أدين.

يتم التعامل مع رسائل الخطأ والتحذيرات من قبل الحزم الأساسية (كوانتمود و لامعة) ويمكن قراءتها من وحدة التحكم.

هذه هي النسخة الأولى جدا من المشروع لذلك لا نتوقع الكمال ولكن نأمل أنه سوف تتحسن مع مرور الوقت. يرجى الإبلاغ عن أي تعليق، اقتراح، علة الخ & # 8230؛ تو: ثيرترادر ​​@ غميل.

الحفاظ على قاعدة بيانات لملفات الأسعار في R.

القيام بالبحث الكمي ينطوي على الكثير من البيانات الطحن واحد يحتاج إلى بيانات نظيفة وموثوق بها لتحقيق ذلك. ما هو مطلوب حقا هو البيانات النظيفة التي يمكن الوصول إليها بسهولة (حتى من دون اتصال بالإنترنت). وكانت الطريقة الأكثر فعالية للقيام بذلك بالنسبة لي للحفاظ على مجموعة من ملفات كسف. من الواضح أن هذه العملية يمكن التعامل معها في نواح كثيرة ولكن وجدت العمل الإضافي فعالة جدا وبسيطة للحفاظ على الدليل حيث يمكنني تخزين وتحديث ملفات كسف. لدي ملف كسف واحد لكل أداة ويسمى كل ملف بعد الصك أنه يحتوي على. والسبب في ذلك هو شقين: أولا، لا أريد تحميل البيانات (السعر) من ياهو، غوغل وغيرها & # 8230؛ في كل مرة أريد أن اختبار فكرة جديدة ولكن الأهم من ذلك مرة واحدة حددت وتحديد المشكلة، وأنا لا تريد أن تفعل ذلك مرة أخرى في المرة القادمة أنا بحاجة إلى نفس الأداة. بسيطة لكنها فعالة جدا حتى الآن. يتم تلخيص العملية في الرسم البياني أدناه.

في كل ما يلي، أفترض أن البيانات تأتي من ياهو. يجب تعديل الشفرة للبيانات من غوغل، كواندل إتك & # 8230؛ وبالإضافة إلى ذلك أقدم عملية تحديث بيانات الأسعار اليومية. سيكون الإعداد مختلفا عن بيانات التردد الأعلى والنوع الآخر من مجموعات البيانات (أي مختلف عن الأسعار).

1 & # 8211؛ تحميل البيانات الأولية (listOfInstruments. R & historyData. R)

ملف listOfInstruments. R هو ملف يحتوي فقط على قائمة بجميع الصكوك.

إذا لم يكن أحد الأدوات جزءا من قائمتي (أي ملف كسف في مجلد البيانات) أو إذا قمت بذلك للمرة الأولى، عليك تنزيل مجموعة البيانات التاريخية الأولية. المثال أدناه ينزل مجموعة من صناديق المؤشرات المتداولة يوميا من ياهو فينانس إلى يناير 2000 وتخزين البيانات في ملف كسف.

2 & # 8211؛ تحديث البيانات الموجودة (updateData. R)

يبدأ رمز أدناه من الملفات الموجودة في مجلد مخصص وتحديث كل منهم واحدا تلو الآخر. أنا عادة تشغيل هذه العملية كل يوم إلا عندما أنا & # 8217؛ م في عطلة. لإضافة أداة جديدة، ببساطة تشغيل الخطوة 1 أعلاه لهذا الصك وحده.

3 & # 8211؛ إنشاء ملف دفعي (updateDailyPrices. bat)

جزء مهم آخر من المهمة هو إنشاء ملف دفعي يقوم بأتمتة عملية التحديث أعلاه (I & # 8217؛ م مستخدم ويندوز). هذا يتجنب فتح R / رستوديو وتشغيل التعليمات البرمجية من هناك. يتم وضع التعليمات البرمجية أدناه على ملف بت. (يجب تعديل المسار مع إعداد القارئ & # 8217؛ s). لاحظ أنني أضفت ملف الإخراج (updateLog. txt) لتتبع التنفيذ.

العملية المذكورة أعلاه بسيطة للغاية لأنها تصف فقط كيفية تحديث بيانات الأسعار اليومية. أنا & # 8217؛ لقد تم استخدام هذا لفترة من الوقت، وأنها كانت تعمل بسلاسة جدا بالنسبة لي حتى الآن. للحصول على بيانات أكثر تقدما و / أو ترددات أعلى، يمكن للأشياء الحصول على أكثر صعوبة.

كالمعتاد أي تعليقات موضع ترحيب.

تقييم العوامل في إدارة الحافظة الكمية.

وعندما يتعلق الأمر بإدارة محفظة من الأسهم مقابل معيار مرجعي، فإن المشكلة تختلف كثيرا عن تحديد استراتيجية العودة المطلقة. في السابق يجب أن تعقد المزيد من الأسهم مما كانت عليه في وقت لاحق حيث لا يمكن الاحتفاظ بأي أسهم على الإطلاق إذا لم تكن هناك فرصة جيدة بما فيه الكفاية. والسبب في ذلك هو خطأ التتبع. ويعرف هذا على أنه الانحراف المعياري لعائد المحفظة مطروحا منه العائد المرجعي. وكلما قلت المخزونات مقابل مقياس مرجعي كلما زاد خطأ التتبع (مثل ارتفاع المخاطر).

التحليل التالي هو مستوحى إلى حد كبير من كتاب & # 8220؛ إدارة المحافظ النشطة & # 8221؛ بواسطة غرينولد & أمب؛ كان. هذا هو الكتاب المقدس لأي شخص مهتم في تشغيل محفظة ضد المعيار. وأنا أشجع بقوة أي شخص لديه مصلحة في هذا الموضوع لقراءة الكتاب من البداية إلى النهاية. انها & # 8217؛ ق مكتوبة بشكل جيد جدا ويضع أسس إدارة المحافظ النشطة النشطة (ليس لدي أي انتماء إلى المحرر أو المؤلفين).

هنا نحن & # 8217؛ محاولة لترتيب بأكبر قدر ممكن من الأسهم في عالم الاستثمار على أساس العودة إلى الأمام. العديد من الناس جاءوا مع العديد من الأدوات و تم تطوير عدد لا يحصى من تلك الأدوات لتحقيق ذلك. في هذا المنصب، أركز على مقياسين بسيطين ومستخدمين على نطاق واسع: معامل المعلومات (إيك) وعائد الكميات (ريال قطري).

و إيك يعطي لمحة عامة عن القدرة التنبؤ عامل. وبشكل أدق، هذا مقياس لمدى تصنيف العامل للأسهم على أساس العائد الآجل. ويعرف إيك بأنه ارتباط الرتبة (ρ) بين المقياس (مثل العامل) والعائد الآجل. ومن الناحية الإحصائية، فإن ارتباط الرتبة هو مقياس غير حسابي للاعتماد بين متغيرين. وبالنسبة لعينة من الحجم n، يتم تحويل الدرجات الخام n إلى الرتب، وتحسب ρ من:

ويجب أن يحدد المحلل الأفق للعودة الآجلة، كما أنه يمثل دالة لدوران الإستراتيجية وتسوس ألفا (كان هذا موضوع بحث موسع). من الواضح أن المراآز يجب أن تكون على أعلى مستوى ممكن من حيث القيمة المطلقة.

للقارئ الحريص، في كتاب غرينولد & أمب؛ كاهن وتعطى صيغة ربط نسبة المعلومات (إر) و إيك: مع اتساع عدد من الرهانات مستقلة (الصفقات). وتعرف هذه الصيغة بالقانون الأساسي للإدارة الفعالة. المشكلة هي أنه في كثير من الأحيان، وتحديد اتساع بدقة ليست سهلة كما يبدو.

من أجل الحصول على تقدير أكثر دقة للقوة التنبؤية للعامل فإنه من الضروري أن يذهب خطوة أبعد وأسهم المجموعة حسب كمية قيم عامل ثم تحليل متوسط ​​العائد إلى الأمام (أو أي مقياس ميل مركزي آخر) لكل من تلك quantiles. فائدة هذه الأداة هي واضحة. يمكن أن يكون لعامل إيك جيد ولكن قد تنحصر قدرته التنبؤية على عدد قليل من الأسهم. هذا ليس جيدا كما مدير محفظة سيكون لديك لاختيار الأسهم داخل الكون كله من أجل تلبية قيود خطأ التتبع. وتتميز عودة الكميات الجيدة بعلاقة رتيبة بين الكميات الفردية والعوائد الآجلة.

جميع الأسهم في مؤشر S & أمب؛ P500 (في وقت كتابة هذا التقرير). ومن الواضح أن هناك تحيز سفينة البقاء على قيد الحياة: قائمة الأسهم في المؤشر قد تغيرت بشكل ملحوظ بين بداية ونهاية الفترة العينة، ومع ذلك انها جيدة بما فيه الكفاية لأغراض التوضيح فقط.

ينزل الرمز أدناه أسعار الأسهم الفردية في مؤشر S & أمب؛ P500 بين يناير / كانون الثاني 2005 واليوم (يستغرق الأمر بعض الوقت) ويتحول إلى أسعار الخام خلال الأشهر ال 12 الماضية والشهر الماضي. الأول هو عاملنا، وسيتم استخدام هذا الأخير كمقياس العودة إلى الأمام.

وفيما يلي رمز لحساب معامل المعلومات وعودة الكميات. لاحظ أنني استخدمت الشرائح الخمسية في هذا المثال ولكن يمكن استخدام أي طريقة تجميع أخرى (تيرسيلز، ديسيلس إتك & # 8230؛). فإنه يعتمد حقا على حجم العينة، ما تريد التقاط والطقس تريد أن يكون لمحة عامة أو التركيز على ذيول التوزيع. ولتقدير العائدات في كل خمسية، استخدم الوسيط كمقدر للنزعة المركزية. هذا المقياس أقل حساسية بكثير من القيم المتطرفة من الوسط الحسابي.

وأخيرا رمز لإنتاج الرسم البياني كوانتيز ريتورن.

3 & # 8211؛ كيفية استغلال المعلومات أعلاه؟

في الرسم البياني أعلاه Q1 هو أدنى 12 شهرا الماضية عودة و Q5 أعلى. هناك زيادة رتيبة تقريبا في العائد الكمي بين Q1 و Q5 مما يشير بوضوح إلى أن الأسهم التي تندرج في Q5 تفوق تلك التي تندرج في الربع الأول بنحو 1٪ شهريا. هذا مهم جدا وقوي لمثل هذا عامل بسيط (ليس حقا مفاجأة على الرغم من & # 8230؛). لذلك هناك فرص أكبر للتغلب على المؤشر من خلال زيادة الوزن للأسهم المتساقطة في Q5 وتخفيض الوزن لتلك التي تقع في الربع الأول بالنسبة إلى المؤشر المعياري.

إيك من 0.0206 قد لا يعني الكثير في حد ذاته لكنه يختلف كثيرا عن 0 ويشير إلى قوة تنبؤية جيدة من الأشهر ال 12 الماضية يعود عموما. يمكن تقييم اختبارات الأهمية الرسمية ولكن هذا خارج نطاق هذه المقالة.

الإطار أعلاه ممتاز لتقييم عامل الاستثمار & # 8217؛ ق الجودة ولكن هناك عدد من القيود العملية التي يجب معالجتها لتنفيذ الحياة الحقيقية:

إعادة التوازن: في الوصف أعلاه، فقد افترضنا أنه في نهاية كل شهر يتم إعادة توازن المحفظة بالكامل. وهذا يعني أن جميع الأسهم التي تندرج في الربع الأول من هذا العام تعاني من نقص الوزن، وأن جميع الأسهم التي تندرج في Q5 هي زيادة في الوزن مقارنة بالمؤشر المعياري. هذا ليس دائما ممكنا لأسباب عملية: بعض الأسهم قد تكون مستبعدة من عالم الاستثمار، وهناك قيود على الصناعة أو وزن القطاع، وهناك قيود على دوران الخ & # 8230؛ تكاليف المعاملات: هذا لم يؤخذ في الاعتبار في التحليل أعلاه وهذا هو فرامل خطيرة لتنفيذ الحياة الحقيقية. وعادة ما يتم تنفيذ اعتبارات دوران في الحياة الحقيقية في شكل عقوبة على جودة عامل. معامل التحويل: هذا هو امتداد للقانون الأساسي للإدارة النشطة ويخفف من افتراض نموذج غرينولد & # 8217؛ أن المديرين لا يواجهون أي قيود تحول دون ترجمتهم رؤى استثماراتهم مباشرة إلى رهانات المحفظة.

وأخيرا، أنا & # 8217؛ م دهشتها ما يمكن تحقيقه في أقل من 80 سطر من التعليمات البرمجية مع R & # 8230؛

كالمعتاد أي تعليقات موضع ترحيب.

المخاطر ك & # 8220؛ بقاء متغير & # 8221؛

جئت عبر الكثير من الاستراتيجيات على المدون بعض مثيرة للاهتمام بعض هي مضيعة كاملة للوقت ولكن معظم حصة سمة مشتركة: الناس الذين يطورون تلك الاستراتيجيات القيام بواجباتهم المنزلية من حيث تحليل العائد ولكن أقل اهتماما بكثير يدفع إلى الجانب المخاطر طبيعتها العشوائية. رأيت تعليقا مثل & # 8220؛ تخفيض بنسبة 25٪ في عام 2018 ولكن عائد ممتاز بشكل عام & # 8221 ؛. حسنا رهان بلدي هو أن لا أحد على الأرض سوف تتيح لك تجربة خسارة 25٪ مع أموالهم (ما لم تكن اتفاقات خاصة في المكان). في العالم التحوط صندوق الناس لديهم التسامح منخفضة جدا للانسحاب. عموما، كمتداول جديد في صندوق التحوط، على افتراض أن تأتي مع أي سمعة، لديك القليل جدا من الوقت لإثبات نفسك. يجب عليك كسب المال من اليوم 1 والحفاظ على القيام بذلك لبضعة أشهر قبل أن تكسب قليلا من المصداقية.

اسمحوا أولا & # 8217؛ ق أقول لديك بداية سيئة وتخسر ​​المال في البداية. مع سحب 10٪ كنت & # 8217؛ بالتأكيد بالتأكيد ولكن حتى مع انخفاض 5٪ فرص رؤية تخصيصك مخفضة مرتفعة جدا. هذا له آثار كبيرة على استراتيجياتك. دعنا نفترض أنه إذا فقدت 5٪ يتم تقسيم التخصيص إلى 2 وتعود إلى التخصيص الأولي فقط عند اجتياز علامة المياه المرتفعة مرة أخرى (على سبيل المثال، يعود السحب إلى 0). في الرسم البياني أدناه أنا محاكاة التجربة مع واحدة من استراتيجيات بلدي.

يمكنك البدء في التداول في 1 يونيو 2003 وكل يسير على ما يرام حتى 23 يوليو 2003 حيث يصل منحنى السحب الخاص بك -5٪ عتبة (** 1 **). يتم تخفيض تخصيصك بنسبة 50٪ وأنت لا تعبر ارتفاع مستوى علامة المياه حتى 05 ديسمبر 2003 (** 3 **). إذا كنت قد أبقت على التخصيص دون تغيير، فإن مستوى علامة المياه العالية كان قد عبرت في 28 أكتوبر 2003 (** ** **) وبحلول نهاية العام كنت قد كسبت المزيد من المال.

ولكن دع & # 8217؛ ق دفع المنطق أبعد قليلا. لا يزال على الرسم البياني أعلاه، افترض أنك تحصل على محظوظ حقا وبدء التداول حتى منتصف يونيو 2003. كنت ضرب الحد من 10٪ الانسحاب بحلول بداية أغسطس وأنت & # 8217؛ على الأرجح للخروج من اللعبة. كنت قد بدأت في أوائل أغسطس تخصيص الخاص بك لن يكون قد قطع على الإطلاق، وكنت في نهاية المطاف القيام سنة جيدة في 4 أشهر كاملة فقط من التداول. في هذين المثالين لم يتغير شيء ولكن تاريخ البدء & # 8230 ؛.

نجاح التداول لأي فرد لديه شكل من أشكال الاعتماد على المسار وليس هناك الكثير الذي يمكنك القيام به حيال ذلك. ومع ذلك يمكنك التحكم في حجم استراتيجية & # 8217؛ s و رسكو؛ s s و رسكو؛ s s؛ وينبغي تنويع المحفظة في كل بعد ممكن: فئات الأصول واستراتيجيات الاستثمار وترددات التداول وما إلى ذلك & # 8230؛. من هذا المنظور الخطر هو متغير بقاء & # 8220؛ & # 8221 ؛. إذا تمكنت بشكل صحيح لديك فرصة للبقاء في اللعبة لفترة كافية لتحقيق إمكانات الاستراتيجية الخاصة بك. وإلا فلن تتمكن من الاطلاع على ما سيحدث في الشهر المقبل.

كالمعتاد أي تعليقات موضع ترحيب.

والتطبيق بسيطة لامعة لرصد استراتيجيات التداول & # 8211؛ الجزء الثاني.

هذا هو متابعة لبلدي وظيفة السابقة & # 8220؛ بسيطة لامعة التطبيق لرصد استراتيجيات التداول & # 8220؛. لقد أضفت بعض التحسينات التي تجعل التطبيق أفضل قليلا (على الأقل بالنسبة لي!). وفيما يلي قائمة الميزات الجديدة:

نموذج ملف كسف. (الملف الذي يحتوي على البيانات الأولية) A & # 8220؛ إنديت & # 8221؛ مربع المنسدلة السماح لتحديد نهاية الفترة. A & # 8220؛ ريسك & # 8221؛ صفحة تحتوي على تحليل فار ورسم بياني لأسوأ أداء على آفاق مختلفة A & # 8220؛ هاو تو & # 8221؛ صفحة شرح كيفية استخدام وتخصيص التطبيق للاحتياجات الفردية.

أنا أيضا جعل التطبيق الذاتي تماما الواردة. وهي متاحة الآن كمنتج مستقل وحده وليس هناك حاجة إلى أن يكون R / رستوديو المثبتة على جهاز الكمبيوتر الخاص بك لتشغيله. ويمكن تحميلها من حساب محرك الأقراص R التاجر جوجل. هذا الإصدار من التطبيق يعمل باستخدام المحمولة R والمحمولة كروم. للقارئ حريصة، وهذا الرابط يفسر في التفاصيل الكاملة كيفية حزم التطبيق لامعة في التطبيق سطح المكتب (ويندوز فقط في الوقت الراهن).

1 & # 8211؛ كيفية تثبيت & أمب؛ تشغيل التطبيق على جهاز الكمبيوتر الخاص بك.

إنشاء مجلد معين بفك ضغط ملف. zip على هذا المجلد الجديد. تغيير مسارات في ملف رونشينياب لمطابقة الإعدادات الخاصة بك لتشغيل التطبيق، لديك فقط تشغيل الملف run. vbs. أنا أيضا شملت رمز (RTraderTradingApp. ico) إذا كنت ترغب في إنشاء اختصار على سطح المكتب الخاص بك.

ui. R: يتحكم في تخطيط ومظهر من server. R التطبيق: يحتوي على التعليمات اللازمة لبناء التطبيق. يمكنك تحميل استراتيجيات بقدر ما تريد طالما ملف كسف المقابلة لديه الشكل الصحيح (انظر أدناه). shinyStrategyGeneral. R: تحميل حزم المطلوبة ويطلق التطبيق.

3 & # 8211؛ كيفية إضافة استراتيجية التداول؟

إنشاء ملف. csv المقابل في الدليل الصحيح إنشاء إدخال جديد في وظيفة رد الفعل البيانات (داخل ملف server. R) إضافة عنصر إضافي إلى معلمة الاختيار في أول سيليتينبوت في الشريط الجانبي بانيل (داخل ملف ui. R) . يجب أن يتطابق اسم العنصر مع اسم الإدخال الجديد أعلاه.

إزالة الإدخال في وظيفة رد الفعل البيانات المقابلة للاستراتيجية التي تريد إزالتها (داخل ملف server. R) إزالة العنصر في المعلمة الاختيار في أول سيليتينبوت في الشريط الجانبي بانيل المقابلة للاستراتيجية التي تريد إزالتها (داخل واجهة المستخدم. R).

لا تتردد في الحصول على اتصال يجب أن يكون لديك أي اقتراح.

والتطبيق لامعة بسيطة لرصد استراتيجيات التداول.

في وظيفة سابقة وأظهرت كيفية استخدام R، كنيتر واللثي لبناء تقرير استراتيجية قالب. هذه الوظيفة يذهب خطوة أبعد من خلال جعل التحليل التفاعلي. إلى جانب التفاعل، والتطبيق لامعة أيضا يحل مشكلتين:

يمكنني الآن الوصول إلى جميع استراتيجيات التداول من نقطة واحدة بغض النظر عن الصك المتداولة. إلى جانب التفاعل لامعة، فإنه يسمح مقارنة أسهل. يمكنني التركيز على فترة زمنية محددة.

الرمز المستخدم في هذا المنصب متوفر على مستودع جيست / جيثوب. هناك أساسا 3 ملفات.

ui. R: يتحكم في تخطيط ومظهر التطبيق. server. R: يحتوي على التعليمات اللازمة لبناء التطبيق. فإنه يقوم بتحميل البيانات وتنسيقه. هناك ملف كسف واحد لكل إستراتيجية تحتوي كل منها على عمودين على الأقل: التاريخ والعودة بالتنسيق التالي: (& # 8220؛ 2018-12-22 & # 8243؛، & # 8221؛ 0.04٪ & # 8221؛). يمكنك تحميل استراتيجيات بقدر ما تريد طالما لديهم التنسيق الصحيح. shinyStrategyG Eneral. R: تحميل حزم المطلوبة ويطلق التطبيق.

هذا التطبيق هو على الارجح بعيدا عن الكمال، وسوف بالتأكيد تحسينه في المستقبل. لا تتردد في الحصول على اتصال إذا كان لديك أي اقتراح.

شكرا جزيلا لفريق رستوديو / لامعة لمثل هذه الأداة العظيمة.

استخدام الخوارزميات الجينية في التداول الكمي.

السؤال الذي يجب أن يطرح نفسه دائما عند استخدام المؤشرات الفنية هو ما يمكن أن يكون معيارا موضوعيا لتحديد مؤشرات المؤشرات (على سبيل المثال، لماذا استخدام مؤشر القوة النسبية 14 يوما بدلا من 15 أو 20 يوما؟). الخوارزميات الجينية (غا) هي أدوات مناسبة تماما للإجابة على هذا السؤال. في هذا المنصب أنا & # 8217؛ سوف تظهر لك كيفية إعداد المشكلة في R. قبل أن أبدأ تذكير المعتاد: ما أقدم في هذا المنصب هو مجرد مثال لعبة وليس دعوة للاستثمار. انها ليست استراتيجية الانتهاء إما ولكن فكرة البحث التي تحتاج إلى مزيد من البحث، وضعت ومصممة خصيصا للاحتياجات الفردية.

ما هي الخوارزميات الجينية؟

أفضل وصف غا أنا جاء عبر يأتي من سايبرناتيك تجارة كتاب من قبل موراي A. روجيرو. & غ؛ خوارزميات جينية تم اختراعها من قبل جون هولاند في منتصف 1970 لحل مشاكل التحسين الصعب. يستخدم هذا الأسلوب الانتقاء الطبيعي، والبقاء للأصلح & # 8221؛. وتتبع العملية العامة الخطوات التالية:

ترميز المشكلة في الكروموسومات باستخدام الترميز، تطوير وظيفة اللياقة البدنية لاستخدامها في تقييم كل قيمة كروموسوم & # 8217؛ s في حل مشكلة معينة تهيئة السكان من الكروموسومات تقييم كل كروموسوم في السكان إنشاء كروموسومات جديدة عن طريق التزاوج اثنين من الكروموسومات. ويتم ذلك عن طريق كتم وإعادة ربط اثنين من الآباء والأمهات لتشكيل طفلين (يتم اختيار الآباء عشوائيا ولكن منحازة من قبل لياقتهم) تقييم الكروموسوم الجديد حذف عضو من السكان الذي هو أقل ملاءمة من الكروموسوم الجديد وإدراج كروموسوم جديد في السكان . إذا تم التوصل إلى معايير التوقف (الحد الأقصى لعدد الأجيال، ومعايير اللياقة البدنية جيدة بما فيه الكفاية & # 8230؛) ثم إرجاع أفضل كروموسوم بدلا من الذهاب إلى الخطوة 4.

من منظور التداول غا مفيدة جدا لأنها جيدة في التعامل مع المشاكل غير الخطية للغاية. ومع ذلك فإنها تظهر بعض الميزات سيئة التي تستحق الذكر:

أكثر من المناسب: هذه هي المشكلة الرئيسية وانها إلى المحلل لإعداد المشكلة بطريقة تقلل من هذا الخطر. وقت الحوسبة: إذا لم يتم تحديد المشكلة بشكل صحيح، يمكن أن تكون طويلة للغاية للوصول إلى حل لائق والتعقيد يزيد أضعافا مضاعفة مع عدد من المتغيرات. وبالتالي ضرورة اختيار بعناية المعلمات.

هناك العديد من حزم R التعامل مع غا، اخترت استخدام واحد الأكثر شيوعا: رجنود.

أسعار الإغلاق اليومية لمعظم صناديق الاستثمار المتداولة السائلة من ياهو المالية تعود إلى يناير 2000. في الفترة عينة من يناير كانون الثاني 2000 إلى ديسمبر 2018. تبدأ فترة خارج العينة في يناير 2018.

المنطق هو كما يلي: يتم تحسين وظيفة اللياقة البدنية على مدى فترة العينة للحصول على مجموعة من المعلمات الأمثل للمؤشرات الفنية المحددة. ثم يتم تقييم أداء تلك المؤشرات في فترة خارج العينة. ولكن قبل القيام بذلك، يجب اختيار المؤشرات الفنية.

سوق الأسهم يظهر اثنين من الخصائص الرئيسية التي هي مألوفة لأي شخص لديه بعض الخبرة التجارية. الزخم على المدى الطويل وعكس المدى القصير. ويمكن ترجمة هذه الميزات على أساس المؤشرات الفنية من خلال: تحريك المتوسطات عبر و رسي. ويمثل هذا مجموعة من 4 معلمات: فترات العودة إلى الوراء للمتوسطات المتحركة طويلة وقصيرة الأجل، فترة نظر إلى الوراء لمؤشر القوة النسبية ومؤشر القوة النسبية. مجموعات من المعلمات هي الكروموسومات. العنصر الرئيسي الآخر هو وظيفة اللياقة البدنية. قد نرغب في استخدام شيء مثل: الحد الأقصى للعائد أو نسبة شارب أو الحد الأدنى لمعدل السحب. في ما يلي، اخترت لتعظيم نسبة شارب.

تنفيذ R هو مجموعة من 3 وظائف:

فيتنيسفونكتيون: يحدد وظيفة اللياقة البدنية (على سبيل المثال، نسبة شارب القصوى) لاستخدامها في تجارة محرك غا. الخصائص: ملخص إحصاءات التداول لفترات العينة وخارجها لأغراض المقارنة جينود: محرك غا من حزمة رجنود.

وظيفة الجينود معقدة إلى حد ما ولكن أنا & # 8217؛ م لن تشرح ما يعني كل معلمة كما أريد للحفاظ على هذا المنصب القصير (والوثائق جيدة حقا).

في الجدول أدناه أعرض لكل صك المعلمات المثلى (مؤشر القوة النسبية فترة العودة إلى الوراء، عتبة مؤشر القوة النسبية، المتوسط ​​المتحرك على المدى القصير، والمتوسط ​​المتحرك على المدى الطويل) جنبا إلى جنب مع داخل وخارج إحصاءات التجارة العينة.

قبل التعليق على النتائج المذكورة أعلاه، أريد أن أشرح بضع نقاط مهمة. لمطابقة المنطق المحدد أعلاه، ربطت المعلمات للتأكد من أن فترة النظر إلى الوراء للمتوسط ​​المتحرك على المدى الطويل هي دائما أطول أن المتوسط ​​المتحرك أقصر. كما قيدت المحسن لاختيار الحلول فقط مع أكثر من 50 حرفا في فترة العينة (على سبيل المثال؛ دلالة إحصائية).

وعموما فإن النتائج خارج العينة لا تزال مثيرة للإعجاب. عوائد منخفضة حتى لو كان عدد من الصفقات الصغيرة لجعل النتيجة كبيرة حقا. ومع ذلك هناك خسارة كبيرة في الكفاءة بين وخارج فترة العينة لليابان (إوج) التي من المرجح جدا يعني أكثر من المناسب.

تهدف هذه الوظيفة إلى إعطاء القارئ الأدوات اللازمة لاستخدام غا بشكل صحيح في إطار التداول الكمي. مرة أخرى، انها مجرد مثال الذي يحتاج إلى مزيد من الصقل. وهناك عدد قليل من التحسينات المحتملة لاستكشاف ما يلي:

وظيفة اللياقة البدنية: تعظيم نسبة شارب تبسيط جدا. A & # 8220؛ أكثر ذكاء & # 8221؛ وظيفة من المؤكد أن تحسين الخروج من نموذج إحصاءات التجارة نمط: نحن نحاول التقاط نمط واضح جدا. وهناك حاجة إلى مزيد من البحوث نمط العمق. التحسين: هناك العديد من الطرق لتحسين طريقة إجراء التحسين. وهذا من شأنه أن يحسن من سرعة الحساب وعقلانية النتائج.

تتوفر التعليمات البرمجية المستخدمة في هذا المنصب على مستودع جيست.

استراتيجية التداول الكمية باستخدام R: دليل خطوة بخطوة.

في هذا المنصب سوف نناقش حول بناء استراتيجية التداول باستخدام R. قبل السكن في المصطلحات التجارية باستخدام R دعونا نقضي بعض الوقت فهم ما هو R. R هو مصدر مفتوح. هناك أكثر من 4000 إضافة على الحزم، 18000 بالإضافة إلى أعضاء مجموعة لينكيدين وما يقرب من 80 R مجموعات ميتوب الموجودة حاليا. بل هو أداة مثالية للتحليل الإحصائي وخاصة لتحليل البيانات. الإعداد موجزة من شبكة الأرشيف R شاملة يعرف كما كران يوفر لك قائمة الحزم جنبا إلى جنب مع تركيب قاعدة المطلوبة. هناك الكثير من الحزم المتاحة اعتمادا على تحليل يجب القيام به. لتنفيذ استراتيجية التداول، وسوف نستخدم حزمة تسمى كوانسترات.

عملية أربع خطوات لأي إستراتيجية تداول أساسية.

تكوين الفرضية اختبار تكرير الإنتاج.

وقد صيغت فرضيتنا على أنها "السوق يعني العودة". متوسط ​​العائد هو نظرية تشير إلى أن الأسعار تتحرك في نهاية المطاف إلى القيمة المتوسطة. أما الخطوة الثانية فتتضمن اختبار الفرضية التي نقوم بصياغة إستراتيجية لها على فرضيتنا وحساب المؤشرات والإشارات ومقاييس الأداء. يمكن تقسيم مرحلة الاختبار إلى ثلاث خطوات، والحصول على البيانات، وكتابة الاستراتيجية وتحليل الإخراج. في هذا المثال نعتبر نيفتي النحل. وهو صندوق تداول تبادل تدار من قبل جولدمان ساكس. نس لديها حجم ضخم للأداة وبالتالي فإننا نعتبر هذا. تظهر الصورة أدناه السعر المفتوح-العالي-المنخفض-إغلاق نفسه.

وضعنا مستوى عتبة لمقارنة التقلبات في السعر. في حالة ارتفاع / نقص السعر نقوم بتحديث عمود العتبة. يتم مقارنة سعر الإغلاق مع الفرقة العليا ومع الفرقة السفلى. عندما يتم عبر الشريط العلوي، هو إشارة للبيع. وبالمثل عندما يتم عبور النطاق السفلي، بل هو إشارة للبيع.

ويمكن تلخيص قسم الترميز على النحو التالي،

ويرد في الرسم البياني أدناه عرض لطائرات الهليكوبتر باتجاه إنتاج الاستراتيجية.

وبالتالي فإن فرضيتنا أن السوق يعني العودة يتم دعم. وبما أن هذا هو الاختبار الخلفي لدينا مجال لتنقيح المعلمات التجارية التي من شأنها تحسين متوسط ​​عوائدنا والأرباح المحققة. ويمكن القيام بذلك عن طريق تحديد مستويات عتبة مختلفة، وقواعد دخول أكثر صرامة، ووقف الخسارة وما إلى ذلك يمكن للمرء أن يختار المزيد من البيانات للاختبار الخلفي، واستخدام نهج بايسيان لعتبة اقامة، تأخذ التقلب بعين الاعتبار.

مرة كنت واثقا من استراتيجية التداول المدعومة من نتائج الاختبار الخلفي هل يمكن أن خطوة إلى التداول المباشر. بيئة الإنتاج هو موضوع كبير في حد ذاته وانها خارج النطاق في سياق المقال. لشرح باختصار هذا ينطوي على كتابة الاستراتيجية على منصة التداول.

كما ذكرنا سابقا، سنقوم ببناء النموذج باستخدام حزمة كوانسترات. يوفر كوانتسترات بنية تحتية عامة لنموذج واستراتيجيات باكتست إشارة القائمة على إشارة. بل هو طبقة التجريد رفيعة المستوى (التي بنيت على شتس، فينانسيالينسترومنت، النازل، الخ) التي تسمح لك لبناء واختبار الاستراتيجيات في عدد قليل جدا من خطوط التعليمات البرمجية.

الملامح الرئيسية ل كوانسترات هي،

يدعم الاستراتيجيات التي تشمل المؤشرات والإشارات والقواعد يسمح الاستراتيجيات التي سيتم تطبيقها على المحافظ متعددة الأصول يدعم السوق، والحد، و ستوبليميت، وأنواع ستوبترايلينغ النظام يدعم ترتيب التحجيم وتحسين المعلمة.

في هذا المنصب نبني استراتيجية تتضمن المؤشرات والإشارات والقواعد.

وفيما يتعلق بالنموذج العام القائم على الإشارة التالية،

الأدوات - تحتوي على بيانات السوق المؤشرات - القيم الكمية المستمدة من بيانات السوق الإشارات - نتيجة التفاعل بين بيانات السوق والمؤشرات القواعد - إصدار الأوامر باستخدام بيانات السوق والمؤشرات والإشارات.

دون الكثير من اللغط دعونا مناقشة جزء الترميز. نحن نفضل R ستوديو للترميز وتصر على استخدام نفس. يجب أن يكون لديك حزم معينة مثبتة قبل برمجة الاستراتيجية.

تقوم مجموعة الأوامر التالية بتثبيت الحزم الضرورية.

بمجرد تثبيت الحزم التي استيرادها لمزيد من الاستخدام.

قراءة البيانات من ملف كسف وتحويله إلى كائن شتس.

نقوم بتهيئة المحفظة مع المخزون والعملة وحقوق الملكية الأولية ونوع الاستراتيجية.

أضف حد الموضع إذا كنت ترغب في التداول أكثر من مرة على نفس الجانب.

إنشاء كائن الاستراتيجية.

نحن نبني وظيفة تحسب العتبات التي نريد التجارة. إذا تحرك السعر من قبل thresh1 نقوم بتحديث عتبة السعر الجديد. نطاقات جديدة للتداول هي عتبة +/- ثريش 2. الإخراج هو كائن شتس على الرغم من أننا نستخدم وظيفة إعادة التصنيف لضمان.

أضف المؤشر والإشارة وقاعدة التداول.

تشغيل الاستراتيجية وإلقاء نظرة على كتاب النظام.

تحديث محفظة وعرض إحصاءات التجارة.

هنا هو رمز كامل.

مرة واحدة كنت على دراية بهذه الأساسيات يمكن أن نلقي نظرة على كيفية البدء في استخدام حزمة كوانتيمود في R. أو في حال كنت جيدة في C ++، نلقي نظرة على استراتيجية نموذج مشفرة في C ++.

إذا كنت تاجر التجزئة أو المهنية المهنية تبحث لبدء مكتب التداول الآلي الخاص بك، والبدء في تعلم ألغو التداول اليوم! تبدأ مع المفاهيم الأساسية مثل هندسة التداول الآلي، المجهرية السوق، باكتستينغ استراتيجية ونظام إدارة النظام.

و التاجر R.

استخدام R والأدوات ذات الصلة في التمويل الكمي.

تصور بيانات سلسلة الوقت في R.

أنا مسرور جدا أن أعلن بلدي داتاكامب بالطبع على تصور البيانات سلسلة الوقت في R. هذا بالطبع هو أيضا جزء من سلسلة الوقت مع R المهارات المسار. لا تتردد في الحصول على نظرة، والفصل الأول هو حر!

وصف المساقات.

وكما يقول المثل، "الرسم البياني يستحق ألف كلمة". هذا هو السبب في التصور هو الطريقة الأكثر استخداما وقوية للحصول على فهم أفضل للبيانات الخاصة بك. بعد هذا بالطبع سيكون لديك نظرة عامة جيدة جدا من R سلسلة الوقت قدرات التصور، وسوف تكون قادرة على اتخاذ قرار أفضل النموذج الذي يختار للتحليل اللاحق. سوف تكون قادرة على نقل الرسالة التي تريد تسليم بطريقة فعالة وجميلة.

بالطبع مخطط.

الفصل 1: R التصور سلسلة الوقت أدوات.

هذا الفصل سوف أعرض لكم الأساسية R سلسلة الوقت أدوات التصور.

الفصل 2: ​​سلسلة زمنية أحادية المتغير.

وقد صممت األراضي املتعددة املتغريات لتعلم قدر اإلمكان عن التوزيع والتوجه املركزي وانتشار البيانات املتوفرة. في هذا الفصل سوف يتم تقديمك مع بعض الأدوات البصرية المستخدمة لتشخيص سلسلة أحادية المتغيرات.

الفصل الثالث: سلسلة زمنية متعددة المتغيرات.

ماذا تفعل إذا كان لديك للتعامل مع سلاسل زمنية متعددة المتغيرات؟ In this chapter, you will learn how to identify patterns in the distribution, central tendency and spread over pairs or groups of data.

Chapter 4: Case study: Visually selecting a stock that improves your existing portfolio.

Let’s put everything you learned so far in practice! Imagine you already own a portfolio of stocks and you have some spare cash to invest, how can you wisely select a new stock to invest your additional cash? Analyzing the statistical properties of individual stocks vs. an existing portfolio is a good way of approaching the problem.

Linking R to IQFeed with the QuantTools package.

IQFeed provides streaming data services and trading solutions that cover the Agricultural, Energy and Financial marketplace. It is a well known and recognized data feed provider geared toward retail users and small institutions. The subscription price starts at around $80/month.

Stanislav Kovalevsky has developed a package called QuantTools. It is an all in one package designed to enhance quantitative trading modelling. It allows to download and organize historical market data from multiple sources like Yahoo, Google, Finam, MOEX and IQFeed. The feature that interests me the most is the ability to link IQFeed to R. I’ve been using IQFeed for a few years and I’m happy with it (I’m not affiliated to the company in any way). ويمكن الاطلاع على مزيد من المعلومات هنا. I’ve been looking for an integration within R for a while and here it is. As a result, after I ran a few tests, I moved my code that was still in Python into R. Just for completeness, here’s a link that explains how to download historical data from IQFeed using Python.

QuantTools offers four main functionalities: Get market data, Store/Retrieve market data, Plot time series data and Back testing.

First make sure that IQfeed is open. You can either download daily or intraday data. The below code downloads daily prices (Open, High, Low, Close) for SPY from 1st Jan 2017 to 1st June 2017.

The below code downloads intraday data from 1st May 2017 to 3rd May 2017.

Note the period parameter. It can take any of the following values: tick, 1min, 5min, 10min, 15min, 30min, hour, day, week, month, depending on the frequency you need.

QuantTools makes the process of managing and storing tick market data easy. You just setup storage parameters and you are ready to go. The parameters are where, since what date and which symbols you would like to be stored. Any time you can add more symbols and if they are not present in a storage, QuantTools tries to get the data from specified start date. The code below will save the data in the following directory: “C:/Users/Arnaud/Documents/Market Data/iqfeed”. There is one sub folder by instrument and the data is aved in. rds files.

You can also store data between specific dates. Replace the last line of code above with one of the below.

Now should you want to get back some of the data you stored, just run something like:

Note that only ticks are supported in local storage so period must be ‘tick’

QuantTools provides plot_ts function to plot time series data without weekend, holidays and overnight gaps. In the example below, I first retrieve the data stored above, then select the first 100 price observations and finally draw the chart.

Two things to notice: First spy is a data. table object hence the syntax above. To get a quick overview of data. table capabilities have a look at this excellent cheat sheet from DataCamp. Second the local parameter is TRUE as the data is retrieved from internal storage.

QuantTools allows to write your own trading strategy using its C++ API. I’m not going to elaborate on this as this is basically C++ code. You can refer to the Examples section on QuantTools website.

Overall I find the package extremely useful and well documented. The only missing bit is the live feed between R and IQFeed which will make the package a real end to end solution.

كالمعتاد أي تعليقات موضع ترحيب.

BERT: a newcomer in the R Excel connection.

A few months ago a reader point me out this new way of connecting R and Excel. I don’t know for how long this has been around, but I never came across it and I’ve never seen any blog post or article about it. So I decided to write a post as the tool is really worth it and before anyone asks, I’m not related to the company in any way.

BERT stands for Basic Excel R Toolkit. It’s free (licensed under the GPL v2) and it has been developed by Structured Data LLC. At the time of writing the current version of BERT is 1.07. ويمكن الاطلاع على مزيد من المعلومات هنا. From a more technical perspective, BERT is designed to support running R functions from Excel spreadsheet cells. In Excel terms, it’s for writing User-Defined Functions (UDFs) in R.

In this post I’m not going to show you how R and Excel interact via BERT. There are very good tutorials here, here and here. Instead I want to show you how I used BERT to build a “control tower” for my trading.

My trading signals are generated using a long list of R files but I need the flexibility of Excel to display results quickly and efficiently. As shown above BERT can do this for me but I also want to tailor the application to my needs. By combining the power of XML, VBA, R and BERT I can create a good looking yet powerful application in the form of an Excel file with minimum VBA code. Ultimately I have a single Excel file gathering all the necessary tasks to manage my portfolio: database update, signal generation, orders submission etc… My approach could be broken down in the 3 steps below:

Use XML to build user defined menus and buttons in an Excel file. The above menus and buttons are essentially calls to VBA functions. Those VBA functions are wrapup around R functions defined using BERT.

With this approach I can keep a clear distinction between the core of my code kept in R, SQL and Python and everything used to display and format results kept in Excel, VBA & XML. In the next sections I present the prerequisite to developed such an approach and a step by step guide that explains how BERT could be used for simply passing data from R to Excel with minimal VBA code.

1 & # 8211؛ Download and install BERT from this link . Once the installation has completed you should have a new Add-Ins menu in Excel with the buttons as shown below. This is how BERT materialized in Excel.

2 & # 8211؛ Download and install Custom UI editor : The Custom UI Editor allows to create user defined menus and buttons in Excel ribbon. A step by step procedure is available here.

1 & # 8211؛ R Code: The below R function is a very simple piece of code for illustration purposes only. It calculates and return the residuals from a linear regression. This is what we want to retrieve in Excel. Save this in a file called myRCode. R (any other name is fine) in a directory of your choice.

2 & # 8211؛ functions. R in BERT : From Excel select Add-Ins -> Home Directory and open the file called functions. R . In this file paste the following code. Make sure you insert the correct path.

This is just sourcing into BERT the R file you created above. Then save and close the file functions. R. Should you want to make any change to the R file created in step 1 you will have to reload it using the BERT button “Reload Startup File” from the Add-Ins menu in Excel.

3 & # 8211؛ In Excel: Create and save a file called myFile. xslm (any other name is fine). This is a macro-enabled file that you save in the directory of your choice. Once the file is saved close it.

4 & # 8211؛ Open the file created above in Custom UI editor : Once the file is open, paste the below code.

You should have something like this in the XML editor:

Essentially this piece of XML code creates an additional menu (RTrader), a new group (My Group) and a user defined button (New Button) in the Excel ribbon. Once you’re done, open myFile. xslm in Excel and close the Custom UI Editor. You should see something like this.

5 & ​​# 8211؛ Open VBA editor : In myFile. xlsm insert a new module. Paste the code below in the newly created module.

This erases previous results in the worksheet prior to coping new ones.

6 & # 8211؛ Click New Button : Now go back to the spreadsheet and in the RTrader menu click the “New Button” زر. You should see something like the below appearing.

The guide above is a very basic version of what can be achieved using BERT but it shows you how to combine the power of several specific tools to build your own custom application. From my perspective the interest of such an approach is the ability to glue together R and Excel obviously but also to include via XML (and batch) pieces of code from Python, SQL and more. This is exactly what I needed. Finally I would be curious to know if anyone has any experience with BERT?

Trading strategy: Making the most of the out of sample data.

When testing trading strategies a common approach is to divide the initial data set into in sample data: the part of the data designed to calibrate the model and out of sample data: the part of the data used to validate the calibration and ensure that the performance created in sample will be reflected in the real world. As a rule of thumb around 70% of the initial data can be used for calibration (i. e. in sample) and 30% for validation (i. e. out of sample). Then a comparison of the in and out of sample data help to decide whether the model is robust enough. This post aims at going a step further and provides a statistical method to decide whether the out of sample data is in line with what was created in sample.

In the chart below the blue area represents the out of sample performance for one of my strategies.

A simple visual inspection reveals a good fit between the in and out of sample performance but what degree of confidence do I have in this? At this stage not much and this is the issue. What is truly needed is a measure of similarity between the in and out of sample data sets. In statistical terms this could be translated as the likelihood that the in and out of sample performance figures coming from the same distribution. There is a non-parametric statistical test that does exactly this: the Kruskall-Wallis Test . A good definition of this test could be found on R-Tutor “A collection of data samples are independent if they come from unrelated populations and the samples do not affect each other. Using the Kruskal-Wallis Test , we can decide whether the population distributions are identical without assuming them to follow the normal distribution.” The added benefit of this test is not assuming a normal distribution.

It exists other tests of the same nature that could fit into that framework. The Mann-Whitney-Wilcoxon test or the Kolmogorov-Smirnov tests would perfectly suits the framework describes here however this is beyond the scope of this article to discuss the pros and cons of each of these tests. A good description along with R examples can be found here.

Here’s the code used to generate the chart above and the analysis:

In the example above the in sample period is longer than the out of sample period therefore I randomly created 1000 subsets of the in sample data each of them having the same length as the out of sample data. Then I tested each in sample subset against the out of sample data and I recorded the p-values. This process creates not a single p-value for the Kruskall-Wallis test but a distribution making the analysis more robust. In this example the mean of the p-values is well above zero (0.478) indicating that the null hypothesis should be accepted: there are strong evidences that the in and out of sample data is coming from the same distribution.

As usual what is presented in this post is a toy example that only scratches the surface of the problem and should be tailored to individual needs. However I think it proposes an interesting and rational statistical framework to evaluate out of sample results.

This post is inspired by the following two papers:

Vigier Alexandre, Chmil Swann (2007), “Effects of Various Optimization Functions on the Out of Sample Performance of Genetically Evolved Trading Strategies”, Forecasting Financial Markets Conference.

Vigier Alexandre, Chmil Swann (2018), « An optimization process to improve in/out of sample consistency, a Stock Market case», JP Morgan Cazenove Equity Quantitative Conference, London October 2018.

Introducing fidlr: FInancial Data LoadeR.

fidlr is an RStudio addin designed to simplify the financial data downloading process from various providers. This initial version is a wrapper around the getSymbols function in the quantmod package and only Yahoo, Google, FRED and Oanda are supported. I will probably add functionalities over time. As usual with those things just a kind reminder: “THE SOFTWARE IS PROVIDED “AS IS”, WITHOUT WARRANTY OF ANY KIND…”

How to install and use fidlr?

You can get the addin/package from its Github repository here (I will register it on CRAN later on) Install the addin. There is an excellent tutorial to install RStudio Addins here. Once the addin is installed it should appear in the Addin menu. Just chose fidlr in the menu and a window as pictured below should appear. Choose a data provider from the the Source dropdown menu. Select a date range from the Date menu Enter the symbol you wish to download in the instrument text box. To download several symbols just enter the symbols separated by commas. Use the Radio buttons to choose whether you want to download the instrument in a csv file or in the global environment. The csv file will be saved in the working directory and there will be one csv file per instrument. Press Run to get the data or Close to close down the addin.

Error messages and warnings are handled by the underlying packages (quantmod and Shiny) and can be read from the console.

This is a very first version of the project so do not expect perfection but hopefully it will get better over time. Please report any comment, suggestion, bug etc… to: thertrader@gmail.

Maintaining a database of price files in R.

Doing quantitative research implies a lot of data crunching and one needs clean and reliable data to achieve this. What is really needed is clean data that is easily accessible (even without an internet connection). The most efficient way to do this for me has been to maintain a set of csv files. Obviously this process can be handled in many ways but I found very efficient and simple overtime to maintain a directory where I store and update csv files. I have one csv file per instrument and each file is named after the instrument it contains. The reason I do so is twofold: First, I don’t want to download (price) data from Yahoo, Google etc… every time I want to test a new idea but more importantly once I identified and fixed a problem, I don’t want to have to do it again the next time I need the same instrument. Simple yet very efficient so far. The process is summarized in the chart below.

In everything that follows, I assume that data is coming from Yahoo. The code will have to be amended for data from Google, Quandl etc… In addition I present the process of updating daily price data. The setup will be different for higher frequency data and other type of dataset (i. e. different from prices).

1 & # 8211؛ Initial data downloading (listOfInstruments. R & historicalData. R)

The file listOfInstruments. R is a file containing only the list of all instruments.

If an instrument isn’t part of my list (i. e. no csv file in my data folder) or if you do it for the very first time you have to download the initial historical data set. The example below downloads a set of ETFs daily prices from Yahoo Finance back to January 2000 and store the data in a csv file.

2 & # 8211؛ Update existing data (updateData. R)

The below code starts from existing files in the dedicated folder and updates all of them one after the other. I usually run this process everyday except when I’m on holiday. To add a new instrument, simply run step 1 above for this instrument alone.

3 & # 8211؛ Create a batch file (updateDailyPrices. bat)

Another important part of the job is creating a batch file that automates the updating process above (I’m a Windows user). This avoids opening R/RStudio and run the code from there. The code below is placed on a. bat file (the path has to be amended with the reader’s setup). Note that I added an output file (updateLog. txt) to track the execution.

The process above is extremely simple because it only describes how to update daily price data. I’ve been using this for a while and it has been working very smoothly for me so far. For more advanced data and/or higher frequencies, things can get much trickier.

كالمعتاد أي تعليقات موضع ترحيب.

The Rise of the Robots (Advisors…)

The Asset Management industry is on the verge of a major change. Over the last couple of years Robots Advisors (RA) have emerged as new players. The term itself is hard to define as it encompasses a large variety of services. Some are designed to help traditional advisers to better allocate their clients money and some are real “black box”. The user enter a few criteria (age , income, children etc…) and the robot proposes a tailor-made allocation. Between those two extremes a full range of offers is available. I found the Wikipedia definition pretty good. “They are a class of financial adviser that provides portfolio management online with minimal human intervention”. More precisely they use algorithm-based portfolio management to offer the full spectrum of services a traditional adviser would offer: dividend reinvesting, compliance reports, portfolio rebalancing, tax loss harvesting etc… (well this is what the quantitative investment community is doing for decades!). The industry is still in its infancy with most players still managing a small amount of money but I only realised how profound the change was when I was in NYC a few days ago. When RA get their names on TV adds or on the roof of NYC cab you know something big is happening…

it is getting more and more attention from the media and above all it makes a lot of sense from an investor perspective. There are actually two main advantages in using RA:

Significantly lower fees over traditional advisers Investment is made more transparent and simpler which is more appealing to people with limited financial knowledge.

In this post R is just an excuse to present nicely what is a major trend in the asset management industry. The chart below shows the market shares of most popular RA as of the end of 2017. The code used to generate the chart below can be found at the end of this post and the data is here.

Those figures are a bit dated given how fast this industry evolves but are still very informative. Not surprisingly the market is dominated by US providers like Wealthfront and Betterment but RA do emerge all over the world: Asia (8Now!), Switzerland (InvestGlass), France (Marie Quantier)….. It is starting to significantly affect the way traditional asset managers are doing business. A prominent example is the partnership between Fidelity and Betterment. Since December 2017 Betterment past the $2 billion AUM mark.

Despite all the above, I think the real change is ahead of us. Because they use less intermediaries and low commission products (like ETFs) they charge much lower fees than traditional advisers. RA will certainly gain significant market shares but they will also lowers fees charged by the industry as a whole. Ultimately it will affect the way traditional investment firms do business. Active portfolio management which is having a tough time for some years now will suffer even more. The high fees it charges will be even harder to justify unless it reinvents itself. Another potential impact is the rise of ETFs and low commission financial products in general. Obviously this has started a while ago but I do think the effect will be even more pronounced in the coming years. New generations of ETFs track more complex indices and custom made strategies. This trend will get stronger inevitably.

كالمعتاد أي تعليقات موضع ترحيب.

R financial time series tips everyone should know about.

There are many R time series tutorials floating around on the web this post is not designed to be one of them. Instead I want to introduce a list of the most useful tricks I came across when dealing with financial time series in R. Some of the functions presented here are incredibly powerful but unfortunately buried in the documentation hence my desire to create a dedicated post. I only address daily or lower frequency times series. Dealing with higher frequency data requires specific tools: data. table or highfrequency packages are some of them.

xts : The xts package is the must have when it comes to times series in R. The example below loads the package and creates a daily time series of 400 days normaly distributed returns.

merge. xts (package xts): This is incredibly powerful when it comes to binding two or more times series together whether they have the same length or not. The join argument does the magic! it determines how the binding is done.

apply. yearly/apply. monthly (package xts): Apply a specified function to each distinct period in a given time series object. The example below calculates monthly and yearly returns of the second series in the tsInter object. Note that I use the sum of returns (no compounding)

endpoints (package xts): Extract index values of a given xts object corresponding to the last observations given a period specified by on. The example gives the last day of the month returns for each series in the tsInter object using endpoint to select the date.

na. locf (package zoo): Generic function for replacing each NA with the most recent non-NA prior to it. Extremely useful when dealing with a time series with a few “holes” and when this time series is subsequently used as input for an R functions that does not accept arguments with NAs. In the example I create a time series of random prices then artificially includes a few NAs in it and replace them with the most recent value.

charts. PerformanceSummary (package PerformanceAnalytics): For a set of returns, create a wealth index chart, bars for per-period performance, and underwater chart for drawdown. This is incredibly useful as it displays on a single window all the relevant information for a quick visual inspection of a trading strategy. The example below turns the prices series into an xts object then displays a window with the 3 charts described above.

The list above is by no means exhaustive but once you master the functions describe in this post it makes the manipulation of financial time series a lot easier, the code shorter and the readability of the code better.

كالمعتاد أي تعليقات موضع ترحيب.

Factor Evaluation in Quantitative Portfolio Management.

When it comes to managing a portfolio of stocks versus a benchmark the problem is very different from defining an absolute return strategy. In the former one has to hold more stocks than in the later where no stocks at all can be held if there is not good enough opportunity. The reason for that is the tracking error . This is defined as the standard deviation of the portfolio return minus the benchmark return. The less stocks is held vs. a benchmark the higher the tracking error (e. g higher risk).

The analysis that follows is largely inspired by the book “Active Portfolio Management” by Grinold & Kahn. This is the bible for anyone interested in running a portfolio against a benchmark. I strongly encourage anyone with an interest in the topic to read the book from the beginning to the end. It’s very well written and lays the foundations of systematic active portfolio management (I have no affiliation to the editor or the authors).

Here we’re trying to rank as accurately as possible the stocks in the investment universe on a forward return basis. Many people came up with many tools and countless variant of those tools have been developed to achieve this. In this post I focus on two simple and widely used metrics: Information Coefficient (IC) and Quantiles Return (QR).

The IC gives an overview of the factor forecasting ability. More precisely, this is a measure of how well the factor ranks the stocks on a forward return basis. The IC is defined as the rank correlation ( ρ ) between the metric (e. g. factor) and the forward return. In statistical terms the rank correlation is a nonparametric measure of dependance between two variables. For a sample of size n , the n raw scores are converted to ranks , and ρ is computed from:

The horizon for the forward return has to be defined by the analyst and it’s a function of the strategy’s turnover and the alpha decay (this has been the subject of extensive research). Obviously ICs must be as high as possible in absolute terms.

For the keen reader, in the book by Grinold & Kahn a formula linking Information Ratio (IR) and IC is given: with breadth being the number of independent bets (trades). This formula is known as the fundamental law of active management . The problem is that often, defining breadth accurately is not as easy as it sounds.

In order to have a more accurate estimate of the factor predictive power it’s necessary to go a step further and group stocks by quantile of factor values then analyse the average forward return (or any other central tendency metric) of each of those quantiles. The usefulness of this tool is straightforward. A factor can have a good IC but its predictive power might be limited to a small number of stocks. This is not good as a portfolio manager will have to pick stocks within the entire universe in order to meet its tracking error constraint. Good quantiles return are characterised by a monotonous relationship between the individual quantiles and forward returns.

All the stocks in the S&P500 index (at the time of writing). Obviously there is a survival ship bias: the list of stocks in the index has changed significantly between the start and the end of the sample period, however it’s good enough for illustration purposes only.

The code below downloads individual stock prices in the S&P500 between Jan 2005 and today (it takes a while) and turns the raw prices into return over the last 12 months and the last month. The former is our factor, the latter will be used as the forward return measure.

Below is the code to compute Information Coefficient and Quantiles Return. Note that I used quintiles in this example but any other grouping method (terciles, deciles etc…) can be used. it really depends on the sample size, what you want to capture and wether you want to have a broad overview or focus on distribution tails. For estimating returns within each quintile, median has been used as the central tendency estimator. This measure is much less sensitive to outliers than arithmetic mean.

And finally the code to produce the Quantiles Return chart.

3 & # 8211؛ How to exploit the information above?

In the chart above Q1 is lowest past 12 months return and Q5 highest. There is an almost monotonic increase in the quantiles return between Q1 and Q5 which clearly indicates that stocks falling into Q5 outperform those falling into Q1 by about 1% per month. This is very significant and powerful for such a simple factor (not really a surprise though…). Therefore there are greater chances to beat the index by overweighting the stocks falling into Q5 and underweighting those falling into Q1 relative to the benchmark.

An IC of 0.0206 might not mean a great deal in itself but it’s significantly different from 0 and indicates a good predictive power of the past 12 months return overall. Formal significance tests can be evaluated but this is beyond the scope of this article.

The above framework is excellent for evaluating investments factor’s quality however there are a number of practical limitations that have to be addressed for real life implementation:

Rebalancing : In the description above, it’s assumed that at the end of each month the portfolio is fully rebalanced. This means all stocks falling in Q1 are underweight and all stocks falling in Q5 are overweight relative to the benchmark. This is not always possible for practical reasons: some stocks might be excluded from the investment universe, there are constraints on industry or sector weight, there are constraints on turnover etc… Transaction Costs : This has not be taken into account in the analysis above and this is a serious brake to real life implementation. Turnover considerations are usually implemented in real life in a form of penalty on factor quality. Transfer coefficient : This is an extension of the fundamental law of active management and it relaxes the assumption of Grinold’s model that managers face no constraints which preclude them from translating their investments insights directly into portfolio bets.

And finally, I’m amazed by what can be achieved in less than 80 lines of code with R…

كالمعتاد أي تعليقات موضع ترحيب.

Risk as a “Survival Variable”

I come across a lot of strategies on the blogosphere some are interesting some are a complete waste of time but most share a common feature: people developing those strategies do their homework in term of analyzing the return but much less attention is paid to the risk side its random nature. I’ve seen comment like “a 25% drawdown in 2018 but excellent return overall”. Well my bet is that no one on earth will let you experience a 25% loss with their money (unless special agreements are in place). In the hedge fund world people have very low tolerance for drawdown. Generally, as a new trader in a hedge fund, assuming that you come with no reputation, you have very little time to prove yourself. You should make money from day 1 and keep on doing so for a few months before you gain a bit of credibility.

First let’s say you have a bad start and you lose money at the beginning. With a 10% drawdown you’re most certainly out but even with a 5% drawdown the chances of seeing your allocation reduced are very high. This has significant implications on your strategies. Let’s assume that if you lose 5% your allocation is divided by 2 and you come back to your initial allocation only when you passed the high water mark again (e. g. the drawdown comes back to 0). In the chart below I simulated the experiment with one of my strategies.

You start trading in 1st June 2003 and all goes well until 23rd Jul. 2003 where your drawdown curve hits the -5% threshold (**1**). Your allocation is cut by 50% and you don’t cross back the high water mark level until 05th Dec. 2003 (**3**). If you have kept the allocation unchanged, the high water mark level would have been crossed on 28th Oct. 2003 (**2**) and by the end of the year you would have made more money.

But let’s push the reasoning a bit further. Still on the chart above, assume you get really unlucky and you start trading toward mid-June 2003. You hit the 10% drawdown limit by the beginning of August and you’re most likely out of the game. You would have started in early August your allocation would not have been cut at all and you end up doing a good year in only 4 full months of trading. In those two examples nothing has changed but your starting date….

The trading success of any individual has some form of path dependency and there is not much you can do about it. However you can control the size of a strategy’s drawdown and this should be addressed with great care. A portfolio should be diversified in every possible dimension: asset classes, investment strategies, trading frequencies etc…. From that perspective risk is your “survival variable”. If managed properly you have a chance to stay in the game long enough to realise the potential of your strategy. Otherwise you won’t be there next month to see what happens.

باكتستينغ إستراتيجية تداول الأسهم البسيطة.

ملاحظة: هذه المشاركة ليست المشورة المالية! هذا هو مجرد وسيلة ممتعة لاستكشاف بعض من قدرات R لاستيراد البيانات والتلاعب بها.

قرأت مؤخرا وظيفة على إتف النبي التي استكشفت استراتيجية مثيرة للاهتمام تداول الأسهم في إكسيل. استراتيجية بسيطة: العثور على نقطة عالية من الأسهم على مدى 200 يوما الماضية، وعدد عدد الأيام التي انقضت منذ أن عالية. إذا كان أكثر أقل من 100 يوما، تملك الأسهم. If it’s been more than 100 days, don’t own it. هذه الاستراتيجية بسيطة جدا، ولكنها تعطي بعض النتائج المثيرة للإعجاب. (Note; however, that this example uses data that has not been adjusted from splits or dividends and could contain other errors. Furthermore, we’re ignoring trading costs and execution delays, both of which affect strategy performance.)

تطبيق هذه الاستراتيجية في R بسيط، ويوفر العديد من المزايا على التفوق، وأهمها هو أن سحب بيانات سوق الأسهم إلى R هو سهل، ويمكننا اختبار هذه الاستراتيجية على مجموعة واسعة من المؤشرات مع جهد قليل نسبيا.

أولا وقبل كل شيء، نقوم بتحميل البيانات ل غسيك باستخدام كوانتمود. (GSPC stands for the S&P 500 index). بعد ذلك، نقوم بإنشاء دالة لحساب عدد الأيام منذ ارتفاع n-داي في سلسلة زمنية، ووظيفة لتنفيذ استراتيجية التداول لدينا. هذه الوظيفة الأخيرة يأخذ 2 معلمات: ن-يوم عالية كنت ترغب في استخدام، وأرقام من الأيام الماضية أن عالية سوف تعقد الأسهم. المثال هو 200 و 100، ولكن هل يمكن بسهولة تغيير هذا إلى أعلى مستوى 500 يوم ونرى ما سيحدث إذا كنت تحتفظ الأسهم 300 يوما الماضية أن قبل انقاذ. وبما أن هذه الوظيفة هي بارامتريزد، يمكننا بسهولة اختبار العديد من الإصدارات الأخرى من استراتيجيتنا. We pad the beginning of our strategy with zeros so it will be the same length as our input data. (إذا كنت ترغب في شرح أكثر تفصيلا للأيام وظيفة سينسهيغ، انظر المناقشة حول عبر التحقق من صحة).

نحن نضاعف موقفنا (0،1) متجه من عوائد المؤشر للحصول على عوائد إستراتيجيتنا. الآن نقوم بإنشاء وظيفة لإرجاع بعض الإحصاءات حول استراتيجية التداول، ومقارنة استراتيجيتنا إلى المعيار. إلى حد ما بشكل تعسفي، لقد قررت أن ننظر إلى العائد التراكمي، يعني العائد السنوي، نسبة شارب، الفوز٪، يعني التقلب السنوي، الحد الأقصى للسحب، والحد الأقصى طول السحب. إحصاءات أخرى سيكون من السهل تنفيذها.

وكما ترون، فإن هذه الاستراتيجية تقارن بشكل إيجابي بالنهج الافتراضي "الشراء والاستمرار".

وأخيرا، فإننا نختبر استراتيجيتنا في 3 فهارس أخرى: فتس التي تمثل أيرلندا والمملكة المتحدة، ومؤشر داو جونز الصناعي، الذي يعود إلى عام 1896، و N225، الذي يمثل اليابان. لقد فونكتيوناليزد العملية برمتها، حتى تتمكن من اختبار كل استراتيجية جديدة مع 1 سطر من التعليمات البرمجية:

التعليقات مغلقة.

المشاركات الشعبية الأخيرة.

أكثر المقالات التي تمت زيارتها في الأسبوع.

وظائف للمستخدمين R.

هو مدعوم من وورد باستخدام تصميم بافوتاسان.

كوبيرايت & كوبي؛ 2017 R - المدونين. كل الحقوق محفوظة. الشروط والأحكام لهذا الموقع.

أفضل استراتيجيات تداول العملات الأجنبية التي تعمل.

قد تكون قد سمعت أن الحفاظ على الانضباط الخاص بك هو جانب رئيسي من جوانب التداول. في حين أن هذا صحيح، كيف يمكنك ضمان فرض هذا الانضباط عندما كنت في التجارة؟

طريقة واحدة للمساعدة هي أن يكون لديك استراتيجية التداول التي يمكنك التمسك بها.

إذا كان من المنطقي و باكتستد، يمكنك أن تكون واثقا من أنك تستخدم واحدة من استراتيجيات التداول الفوركس ناجحة. هذه الثقة سوف تجعل من الاسهل لمتابعة قواعد الاستراتيجية الخاصة بك، وبالتالي، للحفاظ على الانضباط الخاص بك.

الكثير من الوقت عندما يتحدث الناس عن استراتيجيات الفوركس، يتحدثون عن طريقة تداول محددة والتي عادة ما تكون مجرد وجه واحد من خطة التداول كاملة. توفر استراتيجية تداول الفوركس متسقة إشارات دخول مفيدة، ولكن من الضروري أيضا أن تنظر في:

اختيار أفضل استراتيجية الفوركس بالنسبة لك.

عندما يتعلق الأمر بما هي أفضل استراتيجية تداول الفوركس هو، هناك حقا لا إجابة واحدة واحدة.

سوف تناسب أفضل استراتيجيات فكس للفرد. وهذا يعني أنك بحاجة إلى النظر في شخصيتك والعمل على أفضل استراتيجية الفوركس لتناسبك.

ما قد تعمل بشكل جيد جدا لشخص آخر قد يكون كارثة بالنسبة لك. على العكس من ذلك، قد تكون الاستراتيجية التي تم خصمها من قبل الآخرين، أن تكون صحيحة لك.

لذلك، قد تكون هناك حاجة التجريب لاكتشاف استراتيجيات تداول العملات الأجنبية التي تعمل. بالعكس، فإنه يمكن إزالة تلك التي لا تعمل بالنسبة لك.

أحد الجوانب الرئيسية التي يجب مراعاتها هو الإطار الزمني لنمط التداول الخاص بك.

وفيما يلي بعض أساليب التداول، من الأطر الزمنية القصيرة إلى الطويلة، والتي تم استخدامها على نطاق واسع خلال السنوات السابقة، ولا تزال لتكون خيارا شعبيا من قائمة أفضل استراتيجيات تداول العملات الأجنبية في عام 2017.

سلخ فروة الرأس. هذه هي صفقات قصيرة جدا جدا، وربما عقدت فقط لبضع دقائق فقط. سكالبر يسعى إلى الفوز بسرعة على عرض العطاء / العرض و سكيم فقط بضع نقاط من الربح قبل الإغلاق. يستخدم عادة المخططات القراد، مثل تلك التي يمكن العثور عليها في الطبعة العليا ميتاتريدر 4.

تجارة يومية . هذه هي الصفقات التي خرجت قبل نهاية اليوم، كما يوحي اسمها. وهذا يزيل فرصة التأثر سلبا بتحركات كبيرة بين عشية وضحاها. قد تستغرق الصفقات بضع ساعات فقط، وعادة ما يتم تعيين أشرطة السعر على المخططات على دقيقة أو دقيقتين.

تداول سوينغ. المراكز التي عقدت لعدة أيام، وتبحث إلى الربح من أنماط السعر على المدى القصير. قد ينظر تاجر البديل عادة مع الحانات تظهر كل نصف ساعة أو ساعة.

التداول الموضعي. الاتجاه على المدى الطويل التالية، والسعي لتحقيق أقصى قدر من الأرباح من التحولات الرئيسية في الأسعار. على المدى الطويل سوف ينظر المتداول عادة في نهاية اليوم الرسوم البيانية.

دور العمل السعري في استراتيجيات الفوركس.

إلى أي مدى يتم استخدام الأساسيات من تاجر إلى تاجر. وفي الوقت نفسه، فإن أفضل استراتيجيات الفوركس تستخدم دائما حركة السعر.

ويعرف هذا أيضا بالتحليل الفني.

عندما يتعلق الأمر استراتيجيات تداول العملات الفنية، وهناك نوعان من الأساليب الرئيسية: الاتجاه التالي، ومكافحة الاتجاه التداول. كل من هذه الاستراتيجيات تداول العملات الأجنبية في محاولة لتحقيق الربح من خلال الاعتراف واستغلال أنماط الأسعار.

وعندما يتعلق الأمر بأنماط الأسعار، فإن أهم المفاهيم هي مفاهيم الدعم والمقاومة.

وببساطة، تمثل هذه المصطلحات ميل السوق إلى الارتداد من المستويات السابقة والهبوط السابقة. الدعم هو اتجاه السوق للارتفاع من مستوى منخفض سابقا. المقاومة هي اتجاه السوق إلى الانخفاض من أعلى مستوى في السابق.

ويحدث ذلك لأن المشاركين في السوق يميلون إلى الحكم على الأسعار اللاحقة مقابل المستويات العالية والهبوط الأخيرة.

ماذا يحدث عندما يقترب السوق من أدنى مستوياته الأخيرة؟ ببساطة، سيتم جذب المشترين إلى ما يرونه رخيصة.

ماذا يحدث عندما يقترب السوق من أعلى مستوياته الأخيرة؟ سيتم جذب البائعين إلى ما يرونه إما مكلفة، أو مكان جيد لقفل في الربح.

وبالتالي، فإن الارتفاع والهبوط الأخيرين هو المعيار الذي يتم من خلاله تقييم الأسعار الحالية.

وهناك أيضا جانب الوفاء الذاتي لدعم ومستويات المقاومة. ويحدث ذلك لأن المشاركين في السوق يتوقعون بعض الإجراءات السعرية في هذه النقاط والتصرف وفقا لذلك.

ونتيجة لذلك، يمكن أن تسهم أعمالهم في سلوك السوق كما كانوا متوقعين.

ومع ذلك، تجدر الإشارة إلى ثلاثة أشياء:

الدعم والمقاومة ليست قواعد الحديد يرتدون، فهي ببساطة نتيجة شائعة للسلوك الطبيعي من المشاركين في السوق اتجاه الأنظمة التالية تبدو للربح من تلك الأوقات عندما مستويات الدعم والمقاومة كسر الأساليب المضادة للاتجاه من التداول هي عكس الاتجاه التالي - أنها تتطلع لبيع عندما يكون هناك ارتفاع جديد وشراء عندما يكون هناك انخفاض جديد.

استراتيجيات الفوركس التي تتبع الاتجاه.

في بعض الأحيان السوق ينفصل عن نطاق، تتحرك تحت الدعم أو فوق المقاومة لبدء الاتجاه. كيف يحدث هذا؟

عندما ينهار الدعم وينتقل السوق إلى مستويات جديدة، يبدأ المشترون في التراجع. وذلك لأن المشترين يرون باستمرار أسعار أرخص يجري تأسيسها وترغب في الانتظار لقاع للوصول إليها.

وفي الوقت نفسه، سيكون هناك التجار الذين يبيعون في حالة من الذعر أو مجرد إجبارهم على الخروج من مواقعهم. ويستمر هذا الاتجاه حتى ينضب البيع ويبدأ الاعتقاد بالعودة للمشترين بأن الأسعار لن تنخفض أكثر من ذلك.

وتتبع الاستراتيجيات التي تتبع الاتجاهات الأسواق بمجرد اختراقها للمقاومة وبيع الأسواق بمجرد سقوطها من خلال مستويات الدعم. ويمكن أن تكون الاتجاهات دراماتيكية ومطولة أيضا.

بسبب حجم التحركات المعنية، وهذا النوع من النظام لديه القدرة على أن تكون أنجح استراتيجية تداول العملات الأجنبية. تستخدم الأنظمة التي تتبع الاتجاه مؤشرات لمعرفة متى قد يكون هناك اتجاه جديد قد بدأ ولكن ليس هناك طريقة مؤكدة لمعرفة بالطبع.

وهنا الخبر السار.

إذا كان المؤشر يمكن التمييز بين الوقت عندما يكون هناك فرصة أفضل أن الاتجاه قد بدأت، كنت إمالة الصعاب لصالحك. والدلالة على أن الاتجاه قد يكون تشكيل يسمى الاختراق.

الاختراق هو عندما يتحرك السعر إلى أعلى من أعلى أو أدنى مستوى منخفض لعدد محدد من الأيام. على سبيل المثال، اختراق لمدة 20 يوما في الاتجاه الصعودي هو عندما يذهب السعر أعلى أعلى مستوى في آخر 20 يوما.

وتتطلب الأنظمة التي تتبع الاتجاه عقلية معينة. وبسبب المدة الطويلة - حيث يمكن أن تختفي الأرباح عندما يتأرجح السوق - يمكن لهذه الصفقات أن تكون أكثر تطلبا من الناحية النفسية.

فعندما تكون األسواق متقلبة، فإن االتجاهات ستكون أكثر إقناعا وستكون تقلبات األسعار أكبر. وهذا يعني أن اتباع نظام الاتجاه هو أفضل استراتيجية تداول لأسواق الفوركس التي هي هادئة وتتجه.

ومثال على استراتيجية بسيطة للاتجاه نحو الاتجاه هو نظام الاتجاه دونشيان.

تم اختراع قنوات دونشيان من قبل تاجر العقود الآجلة ريتشارد دونشيان وهي مؤشرات للاتجاهات التي يتم تأسيسها. يمكن تعديل المعلمات قناة دونشيان كما تراه مناسبا، ولكن لهذا المثال سوف ننظر في اختراق لمدة 20 يوما.

في الأساس، يشير اختراق قناة دونشيان إلى أمرين:

شراء إذا كان سعر السوق يذهب فوق أعلى من 20 يوما السابقة بيع إذا كان السعر يذهب أقل من أدنى من 20 يوما السابقة.

هناك قاعدة إضافية للتداول عندما تكون حالة السوق أكثر ملاءمة للنظام. تم تصميم هذه القاعدة لتصفية الانفجارات التي تتعارض مع الاتجاه على المدى الطويل.

وباختصار، فإنك تنظر إلى المتوسط ​​المتحرك ل 25 يوما والمتوسط ​​المتحرك ل 300 يوم. ويحدد اتجاه المتوسط ​​المتحرك الأقصر الاتجاه المسموح به.

تنص هذه القاعدة على أنه يمكنك الذهاب فقط:

إذا كان المتوسط ​​المتحرك لمدة 25 يوم أقل من المتوسط ​​المتحرك لمدة 300 يوم طويل إذا كان المتوسط ​​المتحرك لمدة 25 يوما أعلى من المتوسط ​​المتحرك لمدة 300 يوم.

يتم الخروج من الصفقات بطريقة مماثلة للدخول، ولكن باستخدام اختراق لمدة 10 أيام. وهذا يعني أنه إذا قمت بفتح موقف طويل والسوق يذهب أقل من أدنى 10 أيام السابقة، كنت ترغب في بيع للخروج من التجارة والعكس بالعكس.

تعلم التجارة خطوة بخطوة مع العلامة التجارية لدينا دورة تعليمية جديدة، الفوركس 101، ويضم رؤى رئيسية من خبراء الصناعة المهنية.

مكافحة الاتجاه استراتيجيات الفوركس.

تعتمد استراتيجيات مكافحة الاتجاه على حقيقة أن معظم الانفجارات لا تتطور إلى اتجاهات طويلة الأجل. ولذلك، فإن المتداول الذي يستخدم مثل هذه الاستراتيجية يسعى إلى الحصول على حافة من اتجاه الأسعار لترتد من أعلى مستوياتها السابقة وأدنى مستوياتها.

على الورق، استراتيجيات مكافحة الاتجاه هي أفضل استراتيجيات تداول الفوركس لبناء الثقة لأن لديهم نسبة نجاح عالية.

ومع ذلك، فمن المهم أن نلاحظ أن هناك حاجة إلى زيارات ضيقة على الجانب إدارة المخاطر. تعتمد استراتيجيات تجارة الفوركس على مستويات الدعم والمقاومة. ولكن هناك خطر حدوث انخفاضات كبيرة عندما تنهار هذه المستويات.

الرصد المستمر للسوق هو فكرة جيدة. حالة السوق التي تناسب هذا النوع من الإستراتيجية هي مستقرة ومتقلبة. هذا النوع من بيئة السوق يقدم تقلبات أسعار صحية مقيدة ضمن نطاق.

على الرغم من ذلك، لاحظ أن السوق يمكن أن يحول الدول. على سبيل المثال، قد يبدأ سوق مستقر وهادئ في الاتجاه، في حين تبقى مستقرة، ثم تصبح متقلبة مع تطور هذا الاتجاه.

كيف أن حالة السوق قد تتغير غير مؤكد. يجب عليك أن تبحث عن أدلة على ما هي الحالة الراهنة، لإبلاغ ما إذا كان يناسب أسلوب التداول الخاص بك.

اكتشاف أفضل استراتيجية الفوركس بالنسبة لك.

وقد تم تطوير العديد من أنواع المؤشرات الفنية على مر السنين. إن القفزات الكبيرة التي تحققت مع تقنيات التداول عبر الإنترنت جعلت من السهل على الأفراد بناء مؤشراتهم وأنظمتهم.

يمكنك قراءة المزيد عن المؤشرات الفنية عن طريق التحقق من قسم التعليم لدينا أو منصات التداول التي نقدمها. وهناك نقطة انطلاق كبيرة ستكون بعض الاستراتيجيات البسيطة الراسخة التي عملت للتجار بالفعل.

من خلال التجربة والخطأ، يجب أن تكون قادرا على تعلم استراتيجيات تداول العملات الأجنبية التي تناسب الأسلوب الخاص بك. المضي قدما ومحاولة الخروج استراتيجياتك خالية من المخاطر مع حساب التداول التجريبي لدينا.

أعلى 10 مقالات ينظر إليها.

ميتاترادر ​​4.

الفوركس & أمب؛ منصة التداول كفد.

اي فون التطبيق.

ميتاتريدر 4 لفون الخاص بك.

الروبوت التطبيق.

MT4 لجهاز الروبوت الخاص بك.

مت ويبترادر.

التجارة في المتصفح الخاص بك.

ميتاتريدر 5.

الجيل القادم. منصة التداول.

MT4 لنظام التشغيل X.

ميتاترادر ​​4 ل ماك الخاص بك.

بدء التداول.

المنصات.

التعليم.

الترقيات.

تحذير المخاطر: تداول العملات الأجنبية (العملات الأجنبية) أو العقود مقابل الفروقات (عقود الاختلاف) على الهامش يحمل درجة عالية من المخاطر وقد لا تكون مناسبة لجميع المستثمرين. هناك احتمال أن تتحمل خسارة تعادل أو تزيد عن الاستثمار بكامله. لذلك، يجب عليك عدم الاستثمار أو المخاطرة المال الذي لا يمكن أن تخسره. قبل استخدام أدميرال ماركيتس المملكة المتحدة المحدودة أو الخدمات أدميرال الأسواق أس، يرجى الاعتراف بجميع المخاطر المرتبطة بالتداول.

يجب ألا يفسر محتوى هذا الموقع على أنه نصيحة شخصية. نوصي بطلب المشورة من مستشار مالي مستقل.

تشير جميع المراجع في هذا الموقع إلى "أدميرال ماركتس" إلى شركة أدميرال ماركيتس أوك لت و أدميرال ماركيتس أس. الشركات الاستثمارية الأدميرال ماركيتس مملوكة بالكامل من قبل مجموعة أدميرال ماركيتس أس.

شركة أدميرال ماركيتس أوك المحدودة مسجلة في إنجلترا وويلز تحت شركة كومبانيز هاوس - رقم التسجيل 08171762. شركة أدميرال ماركيتس أوك لت مرخصة ومنظمة من قبل هيئة مراقبة السلوك المالي (فكا) - رقم التسجيل 595450. المكتب المسجل لشركة أدميرال ماركيتس أوك لت هو: 16 شارع سانت كلير، لندن، EC3N 1LQ، المملكة المتحدة.

أدميرال ماركيتس أس مسجلة في إستونيا - السجل التجاري رقم 10932555. أدميرال ماركيتس أس مرخصة ومنظمة من قبل هيئة الرقابة المالية الإستونية (إفسا) - رخصة النشاط رقم 4.1-1 / 46. المكتب المسجل لشركة أدميرال ماركيتس أس هو: أهتري 6A، 10151 تالين، إستونيا.