Backtesting estratégias de negociação em matlab

Enquanto eu gosto de onde essa questão está indo, eu sugeriria torná-la um pouco mais concreta. Quais as partes do processo de backtesting que você gostaria de aprender. Isso pode variar em qualquer lugar, apenas estimando um retorno normal, onde o retorno da carteira de sua estratégia já está sendo dado para implementar uma regra de formação de portfólio completa algorítmica. Ndash Constantin 30 de dezembro 14 às 21:06 Para ser sincero, não sei muito sobre o teste. Foi-me dito que terei que testar novas estratégias ou melhorar as atuais durante o meu estágio. Então, eu gostaria de saber um pouco mais sobre o assunto antes de começar. Quais são as diferentes partes disso. Ndash Maxime 30 de dezembro 14 às 21:31 A idéia geral Para os títulos de capital, um backtest simples geralmente consistirá em duas etapas: Computação do retorno do portfólio resultante da sua regra de formação de portfólio (ou estratégia de negociação) Ajuste de risco de retornos de portfólio usando um Modelo de preços de ativos O Passo 2 é simplesmente uma regressão e computacionalmente muito simples em Matlab. O que é mais complicado é a implementação da etapa 1, que exigirá que você fique muito confortável em Matlab, e existem maneiras diferentes de fazer isso. Se você sabe como fazer uma regressão OLS em Matlab, o que você deve focar é todo tipo de manipulações de matriz. Implementação na Matlab Formação de carteiras e computação de retorno Para dar-lhe um exemplo de como uma estratégia de negociação primitiva poderia ser implementada na Matlab, podemos assumir dados de retorno mensais e um período de retenção uniforme de um mês em n ativos em mais de k períodos, onde i in e k dentro . Supondo que não há mudanças na composição do seu universo de ações, sua matriz de retorno X é de dimensões k vezes n. X começam x ampères ampères ampères ampères ampères x ampères ampères ampères ampères vds ampères ampères vpots x ampères ampères ampères ampères ampères ampères x ampères ampères ampères vdots amp ddps amp vdots x ampères ampères ampères ampères x amp x fim Onde retorna São calculados como x frac -1. Supondo que seu critério de seleção seja algum tipo de característica de estoque que esteja disponível na freqüência mensal, você também terá uma matriz de características C. Você então poderia escrever um algoritmo que identifique as entradas em C que atendem seu critério de seleção (por exemplo, exceder um determinado limite ) E substitua as entradas correspondentes (onde i e t são iguais) de uma matriz indicadora I (que foi inicializada como uma matriz zero usando a função zeros) com as. Você pode então multiplicar as entradas de I pela da matriz de retorno X para obter uma matriz R que indique os retornos resultantes de suas participações. Você pode então calcular a média das entradas não-zero para cada linha de R para obter seu vetor de retornos de portfólio. Ajuste de risco e identificação de retornos anormais Na etapa 2, você compara esse vetor com os retornos normais obtidos com a estimativa de regressão de um modelo de precificação de ativos, como o modelo Fama-French. Ao subtrair o vetor de retorno normal do seu vetor de retornos de portfólio, você determina se sua estratégia de negociação resultou em um retorno anormal positivo, que é o que você está buscando. Recomendações Se você é novo na Matlab, pessoalmente, sugiro que você se familiarize com ela o suficiente para implementar esta estratégia simplista antes de relaxar alguns dos pressupostos simplificadores (como período de espera uniforme e periodicidade) e proceder a implementações mais sofisticadas. Mais uma vez, o que gostaria de enfatizar é que isso exige que você fique muito confortável com o Matlab e, especialmente, com as diferentes maneiras de manipular as matrizes, que podem levar algum tempo. Se você não for obrigado a usar o Matlab para o seu estágio e gostaria de obter resultados rapidamente, você poderia fazer o primeiro passo no Excel, o que é tedioso, mas não requer o investimento inicial (que vale a pena) que você precisa fazer para o Matlab. Para se familiarizar com a Matlab, tenho certeza que você já descobriu a documentação extremamente boa que vem com ela. Isso, para mim, é o recurso mais valioso e provavelmente mais útil do que qualquer outro recurso financeiro específico (com o qual eu esperaria até que você esteja familiarizado com o próprio Matlab). Tudo o que for necessário para determinar o retorno normal é uma regressão OLS e uma compreensão rudimentar dos modelos de precificação de ativos. Respondido 30 de dezembro 14 em 22: 20 Teste de Backsucção de estratégias de negociação algorítmicas - Parte I Este artigo continua a série sobre negociação quantitativa, que começou com o Guia de Iniciantes e Identificação Estratégica. Ambos os artigos mais longos e mais envolvidos têm sido muito populares, então eu continuo nesse sentido e fornece detalhes sobre o tema da estratégia de backtesting. O backtesting algorítmico requer conhecimento de muitas áreas, incluindo psicologia, matemática, estatística, desenvolvimento de software e microestrutura de troca de mercado. Eu não poderia esperar abordar todos esses tópicos em um artigo, então vou dividi-los em duas ou três peças menores. O que vamos discutir nesta seção Iniciarei por definir backtesting e depois descreverei os conceitos básicos de como é realizado. Então, elucidaremos os vícios que abordamos no Guia para Negociadores Quantitativos para Iniciantes. Em seguida, apresentarei uma comparação das várias opções de software de backtesting disponíveis. Nos artigos subseqüentes, analisaremos os detalhes das implementações da estratégia que muitas vezes são mal mencionadas ou ignoradas. Também consideraremos como tornar o processo de backtesting mais realista, incluindo as idiossincrasias de uma troca comercial. Então discutiremos custos de transação e como modelá-los corretamente em uma configuração de backtest. Terminaremos com uma discussão sobre o desempenho de nossos backtests e, finalmente, forneceremos um exemplo de uma estratégia quantitativa comum, conhecida como troca de pares de reversão média. Comece por discutir o que é backtesting e por que devemos realizá-lo em nossa negociação algorítmica. O que é o Backtesting A negociação algorítmica se distingue de outros tipos de classes de investimento porque podemos fornecer expectativas mais confiáveis ​​sobre o desempenho futuro do desempenho passado, como conseqüência da abundante disponibilidade de dados. O processo pelo qual isso é realizado é conhecido como backtesting. Em termos simples, o backtesting é realizado expondo seu algoritmo de estratégia particular a um fluxo de dados financeiros históricos, o que leva a um conjunto de sinais comerciais. Cada troca (que significaremos aqui uma ida e volta de dois sinais) terá um lucro ou perda associada. O acúmulo desta lucrativa durante a duração do backtest da estratégia levará ao lucro total (também conhecido como PL ou PnL). Essa é a essência da idéia, embora, é claro, o diabo está sempre em detalhes. Quais são os principais motivos para testar uma estratégia algorítmica. Filtração - Se você se lembra do artigo sobre Identificação Estratégica. Nosso objetivo no estágio de pesquisa inicial era configurar um pipeline de estratégia e, em seguida, filtrar qualquer estratégia que não atendesse a determinados critérios. Backtesting nos fornece outro mecanismo de filtração, pois podemos eliminar estratégias que não atendem às nossas necessidades de desempenho. Modelagem - Backtesting nos permite (com segurança) testar novos modelos de certos fenômenos do mercado, como custos de transação, roteamento de pedidos, latência, liquidez ou outros problemas de microestrutura de mercado. Otimização - Embora a otimização de estratégia esteja repleta de preconceitos, o backtesting nos permite aumentar o desempenho de uma estratégia modificando a quantidade ou os valores dos parâmetros associados a essa estratégia e recalculando sua performance. Verificação - Nossas estratégias geralmente são obtidas externamente, através do nosso pipeline estratégico. Backtesting uma estratégia garante que não foi implementado incorretamente. Embora raramente tenhamos acesso aos sinais gerados por estratégias externas, muitas vezes teremos acesso às métricas de desempenho, como as características Sharpe Ratio e Drawdown. Assim, podemos compará-los com nossa própria implementação. Backtesting oferece uma série de vantagens para negociação algorítmica. No entanto, nem sempre é possível fazer uma estratégia de forma direta. Em geral, à medida que a frequência da estratégia aumenta, torna-se mais difícil modelar corretamente os efeitos da microestrutura do mercado e das trocas. Isso leva a backtests menos confiáveis ​​e, portanto, uma avaliação mais complicada de uma estratégia escolhida. Este é um problema específico em que o sistema de execução é a chave para o desempenho da estratégia, como com os algoritmos de ultra alta frequência. Infelizmente, o backtesting é repleto de preconceitos de todos os tipos. Nós abordamos algumas dessas questões em artigos anteriores, mas agora vamos discutir em profundidade. Biases que afetam a estratégia Backtests Existem muitos preconceitos que podem afetar o desempenho de uma estratégia pré-testada. Infelizmente, esses distúrbios tendem a inflar o desempenho ao invés de prejudicar. Assim, você sempre deve considerar um backtest como um limite superior idealizado sobre o desempenho real da estratégia. É quase impossível eliminar os vícios do comércio algorítmico, pelo que é nosso trabalho minimizá-los do melhor modo possível para tomar decisões informadas sobre nossas estratégias algorítmicas. Existem quatro vieses principais que eu gostaria de discutir: otimização do viés. Look-Ahead Bias. Bias de Sobrevivência e Bias de Tolerância Psicológica. Bias de otimização Este é provavelmente o mais insidioso de todos os preconceitos de backtest. Isso envolve o ajuste ou a introdução de parâmetros de negociação adicionais até que o desempenho da estratégia no conjunto de dados do backtest seja muito atraente. No entanto, uma vez que o desempenho da estratégia pode ser marcadamente diferente. Outro nome para este viés é o encaixe de curva ou o viés de snooping de dados. O viés de otimização é difícil de eliminar, pois estratégias algorítmicas geralmente envolvem muitos parâmetros. Parâmetros nesta instância podem ser os critérios de entrada, os períodos de retorno, os períodos de média (ou seja, o parâmetro de suavização da média móvel) ou a freqüência de medição de volatilidade. O viés de otimização pode ser minimizado, mantendo o número de parâmetros ao mínimo e aumentando a quantidade de pontos de dados no conjunto de treinamento. Na verdade, é preciso também ter cuidado com este último, já que os pontos de treinamento mais antigos podem estar sujeitos a um regime prévio (como um ambiente regulatório) e, portanto, podem não ser relevantes para sua estratégia atual. Um método para ajudar a mitigar este viés é realizar uma análise de sensibilidade. Isso significa variar os parâmetros de forma incremental e traçar uma superfície de desempenho. Som, o raciocínio fundamental para opções de parâmetros deve, com todos os outros fatores considerados, levar a uma superfície de parâmetro mais suave. Se você tem uma superfície de desempenho muito nervosa, muitas vezes significa que um parâmetro não está refletindo um fenômeno e é um artefato dos dados do teste. Há uma vasta literatura sobre algoritmos de otimização multidimensional e é uma área de pesquisa altamente ativa. Eu não vou pensar nisso aqui, mas mantenha-o no fundo de sua mente quando você encontrar uma estratégia com um bônus de observação maravilhoso Look-Ahead Bias O avanço do look-ahead é introduzido em um sistema de backtesting quando os dados futuros são incluídos acidentalmente em um ponto no Simulação onde esses dados não estavam realmente disponíveis. Se estivermos executando o backtest cronologicamente e alcançarmos o ponto do tempo N, então o viés avançado ocorre se os dados estiverem incluídos para qualquer ponto Nk, onde k0. Os erros de polarização anteriores podem ser extremamente sutis. Aqui estão três exemplos de como o avanço da aparência pode ser introduzido: Bugs técnicos - Arraysvectors no código geralmente têm iteradores ou variáveis ​​de índice. Deslocamentos incorretos desses índices podem levar a um viés de frente, incorporando dados em Nk para zero não-zero. Cálculo de Parâmetros - Outro exemplo comum de polarização prospectiva ocorre ao calcular parâmetros de estratégia ótimos, como com regressões lineares entre duas séries temporais. Se todo o conjunto de dados (incluindo dados futuros) é usado para calcular os coeficientes de regressão e, portanto, aplicado de forma retroativa a uma estratégia de negociação para fins de otimização, os dados futuros estão sendo incorporados e existe um viés prospectivo. MaximaMinima - Certas estratégias de negociação utilizam valores extremos em qualquer período de tempo, como a incorporação dos preços altos ou baixos nos dados da OHLC. No entanto, uma vez que estes valores máximos máximos só podem ser calculados no final de um período de tempo, um viés prospectivo é introduzido se esses valores forem usados ​​- durante o período atual. É sempre necessário atrasar os valores de alta velocidade em pelo menos um período em qualquer estratégia de negociação que os use. Tal como acontece com o viés de otimização, é preciso ter o cuidado de evitar sua introdução. Muitas vezes, é a principal razão pela qual as estratégias de negociação apresentam um desempenho inferior aos seus testes anteriores significativamente na negociação ao vivo. Survivorship Bias O viés de sobrevivência é um fenômeno particularmente perigoso e pode levar a desempenho significativamente inflacionado para determinados tipos de estratégia. Ocorre quando as estratégias são testadas em conjuntos de dados que não incluem o universo completo de ativos anteriores que podem ter sido escolhidos em um determinado momento, mas apenas consideram aqueles que sobreviveram à hora atual. Como exemplo, considere testar uma estratégia em uma seleção aleatória de ações antes e depois do crash do mercado de 2001. Algumas ações de tecnologia falharam, enquanto outras conseguiram ficar à tona e até prosperaram. Se tivéssemos restringido esta estratégia apenas às ações que passaram pelo período de retirada do mercado, estaremos apresentando um viés de sobrevivência porque já demonstraram o sucesso deles. Na verdade, este é apenas outro caso específico de viés à frente, uma vez que as futuras informações estão sendo incorporadas na análise passada. Existem duas maneiras principais de mitigar o viés de sobrevivência em seus testes de estratégia: Survivorship Bias Free Datasets - No caso de dados de capital, é possível comprar conjuntos de dados que incluem entidades excluídas, embora não sejam baratos e que apenas sejam utilizados por empresas institucionais. . Em particular, os dados do Yahoo Finance não são viés de sobrevivência livre, e isso é comumente usado por muitos comerciantes de algo de varejo. Pode-se também negociar em classes de ativos que não são propensas ao viés de sobrevivência, como certas commodities (e seus futuros derivados). Use dados mais recentes - No caso de ações, o uso de um conjunto de dados mais recente mitiga a possibilidade de que a seleção de ações escolhida seja ponderada para os sobreviventes, simplesmente porque há menor probabilidade de exclusão geral de estoque em períodos de tempo mais curtos. Pode-se também começar a construir um conjunto de dados pessoais sem sobrevivência, coletando dados do ponto atual. Após 3-4 anos, você terá um sólido conjunto de dados de ações de sobrevivência e tendenciosidade com o qual voltar a testar outras estratégias. Vamos agora considerar certos fenômenos psicológicos que podem influenciar o seu desempenho comercial. Tolerância de tolerância psicológica Este fenômeno particular não é frequentemente discutido no contexto da negociação quantitativa. No entanto, é discutido extensivamente em relação a métodos comerciais mais discricionários. Ele tem vários nomes, mas eu decidi chamar isso de viés de tolerância psicológica porque ele capta a essência do problema. Ao criar backtests ao longo de um período de 5 anos ou mais, é fácil analisar uma curva de equidade tendencialmente ascendente, calcular o retorno anual composto, o índice de Sharpe e até mesmo as características de retirada e ficar satisfeito com os resultados. Por exemplo, a estratégia pode possuir uma redução relativa máxima de 25 e uma duração máxima de retirada de 4 meses. Isso não seria atípico para uma estratégia de impulso. É direto convencer-se de que é fácil tolerar tais períodos de perdas porque a imagem geral é corajosa. No entanto, na prática, é muito mais difícil Se as retiradas históricas de 25 ou mais ocorrem nos backtests, então, com toda a probabilidade, você verá períodos de rebaixamento similar na negociação ao vivo. Esses períodos de retração são psicologicamente difíceis de suportar. Eu observei de primeira mão o que pode ser um alongamento prolongado, em um ambiente institucional, e não é agradável - mesmo que os backtests sugerem que tais períodos ocorrerão. A razão pela qual eu disse que ele é um viés é que, muitas vezes, uma estratégia que, de outra forma, seria bem-sucedida é interrompida na negociação durante os períodos de redução prolongada e, portanto, levará a um desempenho inferior significativo em comparação com um backtest. Assim, mesmo que a estratégia seja de natureza algorítmica, fatores psicológicos ainda podem ter uma forte influência na lucratividade. O takeaway é garantir que, se você ver retrações de uma certa porcentagem e duração nos backtests, então você deve esperar que eles ocorram em ambientes de negociação ao vivo, e precisará perseverar para alcançar a rentabilidade mais uma vez. Pacotes de software para backtesting A paisagem do software para backtesting de estratégia é vasta. As soluções variam de software sofisticado de grau institucional totalmente integrado até linguagens de programação como C, Python e R, onde quase tudo deve ser escrito a partir do zero (ou plugins adequados obtidos). Como comerciantes de quantos estamos interessados ​​no equilíbrio de poder possuir nossa plataforma de tecnologia comercial versus a velocidade e a confiabilidade de nossa metodologia de desenvolvimento. Aqui estão as principais considerações para a escolha do software: Habilidade de programação - A escolha do ambiente será, em grande parte, reduzida a sua capacidade de programar o software. Eu argumentaria que estar no controle da pilha total terá um maior efeito em sua PL de longo prazo do que a terceirização, tanto quanto possível, para o software do fornecedor. Isto deve-se ao risco negativo de ter erros externos ou idiossincrasias que você não conseguiu consertar no software do fornecedor, o que, de outra forma, seria facilmente corrigido se você tivesse mais controle sobre sua stack de tecnologia. Você também quer um ambiente que alcance o equilíbrio certo entre produtividade, disponibilidade da biblioteca e velocidade de execução. Faço minha própria recomendação pessoal abaixo. Capacidade de Execução Interação do Bunch - Alguns softwares de backtesting, como o Tradestation, vinculam diretamente uma corretora. Eu não sou fã desta abordagem, pois reduzir os custos de transação são muitas vezes um grande componente de obter uma proporção Sharpe mais alta. Se você estiver vinculado a um corretor particular (e a Tradestation forçá-lo a fazer isso), então você terá mais dificuldade em mudar para o novo software (ou um novo corretor), se for necessário. Interactive Brokers fornece uma API que é robusta, embora com uma interface ligeiramente obtusa. Personalização - Um ambiente como o MATLAB ou o Python oferece uma grande flexibilidade ao criar estratégias de algo, pois oferecem bibliotecas fantásticas para quase todas as operações matemáticas imagináveis, mas também permitem uma personalização extensiva, quando necessário. Complexidade de Estratégia - Certos softwares simplesmente não são cortados para uma grande combinação de números ou complexidade matemática. O Excel é um desses softwares. Embora seja bom para estratégias mais simples, não pode realmente lidar com inúmeros recursos ou algoritmos mais complicados, com rapidez. Minimização de polarização - Uma determinada peça de software ou dados se presta mais aos viés de negociação Você precisa ter certeza de que, se você quiser criar toda a funcionalidade, que não introduza bugs que possam levar a desvios. Velocidade do Desenvolvimento - Não devemos passar meses e meses implementando um mecanismo de back-test. A prototipagem só deve demorar algumas semanas. Certifique-se de que o seu software não está impedindo o seu progresso em grande medida, apenas para obter alguns pontos percentuais adicionais de velocidade de execução. C é o elefante no quarto aqui Velocidade de Execução - Se sua estratégia for completamente dependente da pontualidade de execução (como em HFTUHFT), será necessário um idioma como C ou C. No entanto, você estará presumindo a otimização do kernel do Linux e o uso de FPGA para esses domínios, que está fora do escopo deste artigo Custo - Muitos dos ambientes de software que você pode programar estratégias de negociação algorítmicas são totalmente gratuitos e de código aberto. Na verdade, muitos hedge funds utilizam software de código aberto para todas as suas plataformas de troca de algo. Além disso, o Excel e o MATLAB são relativamente baratos e existem até alternativas gratuitas para cada um. Agora que listámos os critérios com os quais precisamos escolher nossa infra-estrutura de software, eu quero executar alguns dos pacotes mais populares e como eles comparam: Nota: Eu só vou incluir o software disponível para a maioria dos profissionais de varejo e Desenvolvedores de software, pois este é o público do site. Enquanto outros softwares estão disponíveis, como as ferramentas de grau institucional, eu acho que estas são muito caras para ser efetivamente usadas em uma configuração de varejo e pessoalmente não tenho experiência com elas. Comparação de software Backtesting Descrição: linguagem de alto nível projetada para velocidade de desenvolvimento. Grande variedade de bibliotecas para quase qualquer tarefa programática imaginável. Obtendo maior aceitação em fundos de hedge e comunidade de bancos de investimento. Não é tão rápido quanto CC para velocidade de execução. Execução: plugins Python existem para corretores maiores, como Interactive Brokers. Portanto, o sistema de backtest e execução pode fazer parte da mesma stack de tecnologia. Personalização: Python tem uma comunidade de desenvolvimento muito saudável e é uma linguagem madura. NumPySciPy fornecem ferramentas científicas científicas e de análise estatística rápidas relevantes para o comércio de quant. Complexidade de Estratégia: existem muitos plugins para os algoritmos principais, mas não tão grande como uma comunidade quant para MATLAB. Minimização de polarização: existem problemas de minimização de bias semelhantes para qualquer linguagem de alto nível. Precisa ser extremamente cuidadoso com os testes. Velocidade de desenvolvimento: a maior vantagem de Pythons é a velocidade de desenvolvimento, com recursos robustos em testes de teste. Velocidade de Execução: não tão rápido como C, mas os componentes de computação científica são otimizados e o Python pode conversar com o código nativo C com determinados plugins. Custo: FreeOpen Fonte Descrição: Linguagem madura e de alto nível projetada para velocidade de execução. Amplo conjunto de finanças quantitativas e bibliotecas numéricas. Mais difícil de depurar e muitas vezes leva mais tempo para implementar do que o Python ou o MATLAB. Extremamente prevalente tanto no lado da compra como da venda. Execução: a maioria das APIs de corretagem são escritas em C e Java. Assim, existem muitos plugins. Personalização: CC permite o acesso direto à memória subjacente, portanto, estratégias de ultra-alta freqüência podem ser implementadas. Complexidade de Estratégia: C STL oferece ampla gama de algoritmos otimizados. Quase qualquer algoritmo matemático especializado possui uma implementação de código aberto de código aberto na web. Minimização de polarização: o viés prospectivo pode ser complicado de eliminar, mas não é mais difícil do que outro idioma de alto nível. Boas ferramentas de depuração, mas é preciso ter cuidado ao lidar com a memória subjacente. Velocidade de desenvolvimento: C é bastante detalhado em comparação com Python ou MATLAB para o mesmo algoritmo. Mais linhas de código (LOC) muitas vezes leva a maior probabilidade de erros. Velocidade de Execução: o CC possui velocidade de execução extremamente rápida e pode ser otimizado para arquiteturas computacionais específicas. Este é o principal motivo para utilizá-lo. Custo: vários compiladores: LinuxGCC é gratuito, o MS Visual Studio possui diferentes licenças. Estratégias diferentes exigirão diferentes pacotes de software. As estratégias HFT e UHFT serão escritas em CC (estes dias são muitas vezes realizadas em GPUs e FPGAs), enquanto as estratégias de equidade direcional de baixa freqüência são fáceis de implementar na TradeStation, devido a toda a natureza da correção de software. Minha preferência pessoal é para Python, pois fornece o grau certo de personalização, velocidade de desenvolvimento, capacidade de teste e velocidade de execução para minhas necessidades e estratégias. Se eu precisar de algo mais rápido, posso entrar diretamente em C diretamente dos meus programas Python. Um método preferido por muitos comerciantes quant é prototar suas estratégias em Python e depois converter as seções de execução mais lentas em C de maneira iterativa. Eventualmente, todo o algo está escrito em C e pode ser deixado sozinho para negociar. Nos próximos artigos sobre backtesting, daremos uma olhada em algumas questões específicas relacionadas à implementação de um sistema de backtesting de negociação algorítmica, bem como como incorporar os efeitos de Trocas comerciais. Vamos discutir a medida de desempenho da estratégia e finalmente concluir com uma estratégia de exemplo. Clique abaixo para aprender mais sobre. A informação contida neste site é a opinião dos autores individuais com base em sua observação pessoal, pesquisa e anos de experiência. A editora e seus autores não são conselheiros de investimento registrados, advogados, CPAs ou outros profissionais de serviços financeiros e não prestam assessoria jurídica, fiscal, contábil, de investimento ou outros serviços profissionais. A informação oferecida por este site é apenas de educação geral. Como cada situação factual de indivíduos é diferente, o leitor deve procurar seu próprio conselheiro pessoal. Nem o autor nem o editor assumem qualquer responsabilidade ou responsabilidade por quaisquer erros ou omissões e não devem ter responsabilidade nem responsabilidade para qualquer pessoa ou entidade em relação a danos causados ​​ou alegadamente causados ​​direta ou indiretamente pelas informações contidas neste site. Use por sua conta e risco. Além disso, este site pode receber compensações financeiras das empresas mencionadas através de publicidade, programas afiliados ou de outra forma. Taxas e ofertas de anunciantes exibidos neste site mudam com freqüência, às vezes sem aviso prévio. Enquanto nos esforçamos para manter informações precisas e oportunas, os detalhes da oferta podem estar desactualizados. Os visitantes devem assim verificar os termos de tais ofertas antes de participar delas. O autor e sua editora renunciam à responsabilidade por atualizar a informação e negar a responsabilidade pelo conteúdo, produtos e serviços de terceiros, inclusive quando acessados ​​através de hiperlinks ou propagandas neste site. Análise de reversão: Usando o MATLAB para testar sua estratégia comercial. Muitos comerciantes, fundos Gerentes ou investidores podem achar que eles se limitam a testar suas idéias comerciais. Ou os quadros de backtesting existentes não podem ser usados ​​para testar completamente suas idéias comerciais. Uma crescente complexidade nos dados do mercado, nas estratégias de negociação e nas estruturas de backtesting é uma questão desafiadora. Neste webinar, você aprenderá como o MATLAB pode suportar a prototipagem e desenvolvimento de análises avançadas para acompanhar suas idéias comerciais, começando por obter dados de mercado, implementar estratégia de negociação, estrutura de testes e análise de desempenho. Você verá como o MATLAB fornece uma plataforma única que permite a solução eficiente de análise de avanço. Com o MATLAB, você pode explorar, analisar e visualizar seus dados com eficiência. Através deste webinário, você aprenderá: As questões desafiadoras no desenvolvimento de estratégias de negociação Diferentes tipos de framework de backtesting Diferentes tipos de método de otimização que podem ser usados ​​para otimizar os parâmetros de negociação A estratégia de negociação básica baseada em Bollinger Band O cálculo de indicadores técnicos e métricas de desempenho O importante da computação paralela para escalabilidade Este webinar é para profissionais financeiros, pesquisadores e analistas quantitativos, comerciantes e gestores de portfólio cujo foco é análise quantitativa, desenvolvimento de estratégia comercial ou pesquisa de ações. Aguarde aproximadamente 45 minutos para participar da apresentação e sessão de QA. Vamos gravar este webinar, então, se você não conseguir fazer a transmissão ao vivo, registre-se e nós lhe enviaremos um link para assistir on-demand. Sobre o apresentador Kawee Numpacharoen é um gerente de produtos de finanças computacionais da MathWorks. Antes de ingressar na MathWorks, a Kawee trabalhou na Phatra Securities como vice-presidente sênior de Departamento de Patrimônio Líquido e Derivativo. Kawee ganhou um B. S. Em Engenharia Elétrica do Instituto de Tecnologia King Mongkuts Ladkrabang, M. S. Em Engenharia Financeira da Universidade de Michigan, Ann Arbor, e um Ph. D. Em Matemática da Universidade de Mahidol. Caixa de ferramentas financeira do produto 8482 MATLAB 174 Caixa de ferramentas de computação paralela 8482 Datafeed Toolbox 8482