Dans cet article, je veux vous présenter les méthodes par lesquelles j'identifie moi-même les stratégies de trading algorithmiques rentables. Notre objectif aujourd'hui est de comprendre en détail comment trouver, évaluer et sélectionner de tels systèmes. Je vais expliquer comment identifier les stratégies est autant une question de préférence personnelle que de performance de la stratégie, comment déterminer le type et la quantité de données historiques pour les tests, comment évaluer de manière dispassionnée une stratégie de trading et enfin comment procéder à la phase de backtesting et à la mise en œuvre de la stratégie.
Pour être un trader prospère - que ce soit discrétionnairement ou algorithmiquement - il est nécessaire de se poser des questions honnêtes. Le trading vous offre la possibilité de perdre de l'argent à un rythme alarmant, il est donc nécessaire de vous connaître autant que nécessaire pour comprendre votre stratégie choisie.
Je dirais que la considération la plus importante dans le trading est d'être conscient de votre propre personnalité. Le trading, et le trading algorithmique en particulier, nécessite un degré significatif de discipline, de patience et de détachement émotionnel. Puisque vous laissez un algorithme effectuer votre trading pour vous, il est nécessaire d'être résolu à ne pas interférer avec la stratégie lorsqu'elle est exécutée. Cela peut être extrêmement difficile, en particulier dans les périodes de retrait prolongé. Cependant, de nombreuses stratégies qui se sont révélées très rentables dans un backtest peuvent être ruiné par une simple interférence. Comprenez que si vous souhaitez entrer dans le monde du trading algorithmique, vous serez testé émotionnellement et que pour réussir, il est nécessaire de surmonter ces difficultés!
La prochaine considération est celle du temps. Avez-vous un emploi à temps plein? Travaillez-vous à temps partiel? Travaillez-vous à domicile ou avez-vous un long trajet tous les jours? Ces questions aideront à déterminer la fréquence de la stratégie que vous devriez rechercher. Pour ceux d'entre vous qui travaillent à temps plein, une stratégie à terme intraday peut ne pas être appropriée (au moins jusqu'à ce qu'elle soit entièrement automatisée!).
Je suis convaincu qu'il est nécessaire de mener des recherches continues sur vos stratégies de trading pour maintenir un portefeuille toujours rentable. Peu de stratégies restent "sous le radar" pour toujours. Par conséquent, une partie importante du temps alloué au trading sera consacrée à la recherche continue. Demandez-vous si vous êtes prêt à le faire, car cela peut faire la différence entre une forte rentabilité ou un lent déclin vers les pertes.
Vous devez également prendre en compte votre capital de trading. Le montant minimum idéal généralement accepté pour une stratégie quantitative est de 50 000 USD (environ 35 000 £ pour nous au Royaume-Uni). Si je recommençais, je commencerais avec un montant plus important, probablement plus proche de 100 000 USD (environ 70 000 £).
Les compétences en programmation sont un facteur important dans la création d'une stratégie de trading algorithmique automatisée. Le fait d'être compétent dans un langage de programmation tel que C++, Java, C#, Python ou R vous permettra de créer vous-même le stockage de données de bout en bout, le moteur de backtest et le système d'exécution. Cela présente un certain nombre d'avantages, dont le principal est la capacité d'être complètement au courant de tous les aspects de l'infrastructure de trading.
Vous devez vous demander ce que vous espérez réaliser par le trading algorithmique. Êtes-vous intéressé par un revenu régulier, par lequel vous espérez tirer des gains de votre compte de trading? Ou, êtes-vous intéressé par un gain de capital à long terme et pouvez-vous vous permettre de trader sans avoir besoin de retirer des fonds? La dépendance au revenu déterminera la fréquence de votre stratégie. Des retraits de revenus plus réguliers nécessiteront une stratégie de trading plus fréquente avec moins de volatilité (c'est-à-dire un ratio Sharpe plus élevé).
Enfin, ne vous laissez pas berner par l'idée de devenir extrêmement riche en peu de temps! Le trading d'algo n'est PAS un système de devenir riche rapidement - au contraire, il peut être un système de devenir pauvre rapidement. Il faut beaucoup de discipline, de recherche, de diligence et de patience pour réussir dans le trading algorithmique.
Malgré les perceptions communes du contraire, il est en fait assez simple de localiser des stratégies de trading rentables dans le domaine public. Jamais les idées de trading n'ont été plus facilement disponibles qu'aujourd'hui.
Notre objectif en tant que chercheurs en trading quantitatif est d'établir un pipeline de stratégie qui nous fournira un flux d'idées de trading en cours. Idéalement, nous voulons créer une approche méthodique pour l'approvisionnement, l'évaluation et la mise en œuvre des stratégies que nous rencontrons. Les objectifs du pipeline sont de générer une quantité constante de nouvelles idées et de nous fournir un cadre pour rejeter la majorité de ces idées avec un minimum de considération émotionnelle.
Nous devons être extrêmement prudents pour ne pas laisser les biais cognitifs influencer notre méthodologie de prise de décision. Cela pourrait être aussi simple que de préférer une classe d'actifs à une autre (l'or et d'autres métaux précieux viennent à l'esprit) parce qu'ils sont perçus comme plus exotiques. Notre objectif devrait toujours être de trouver des stratégies toujours rentables, avec une attente positive. Le choix de la classe d'actifs devrait être basé sur d'autres considérations, telles que les contraintes de capital de trading, les frais de courtage et les capacités d'effet de levier.
Si vous n'êtes pas complètement familier avec le concept de stratégie de trading, alors le premier endroit à rechercher est dans les manuels établis. Les textes classiques fournissent une large gamme d'idées plus simples et plus simples, pour vous familiariser avec le trading quantitatif. Voici une sélection que je recommande pour ceux qui sont nouveaux dans le trading quantitatif, qui deviennent progressivement plus sophistiqués au fur et à mesure que vous parcourez la liste:
Pour une liste plus longue des livres de négociation quantitative, veuillez consulter la liste de lecture QuantStart.
L'analyse technique implique l'utilisation d'indicateurs de base et de la psychologie comportementale pour déterminer les tendances ou les modèles d'inversion des prix des actifs.
En dépit d'être extrêmement populaire dans l'espace commercial global, l'analyse technique est considérée comme quelque peu inefficace dans la communauté de la finance quantitative. Certains ont suggéré qu'elle n'est pas meilleure que la lecture d'un horoscope ou l'étude des feuilles de thé en termes de pouvoir prédictif!
Voici une liste de blogs et de forums de trading algorithmique bien respectés:
Une fois que vous avez une certaine expérience dans l'évaluation de stratégies plus simples, il est temps de regarder les offres académiques plus sophistiquées. Certains revues académiques seront difficiles d'accès, sans abonnements élevés ou coûts ponctuels. Si vous êtes membre ou ancien élève d'une université, vous devriez être en mesure d'accéder à certains de ces revues financières. Sinon, vous pouvez regarder les serveurs de préimpression, qui sont des référentiels Internet de brouillons récents de documents académiques qui sont soumis à un examen par les pairs. Puisque nous ne sommes intéressés que par des stratégies que nous pouvons répliquer avec succès, backtest et obtenir de la rentabilité, un examen par les pairs est moins important pour nous.
L'inconvénient majeur des stratégies académiques est qu'elles peuvent souvent être obsolètes, nécessiter des données historiques obscures et coûteuses, négocier dans des classes d'actifs illiquides ou ne pas prendre en compte les frais, le glissement ou le spread. Il peut également être difficile de savoir si la stratégie de trading doit être exécutée avec des ordres de marché, des ordres de limite ou si elle contient des stop-loss, etc. Il est donc absolument essentiel de répliquer la stratégie vous-même du mieux que vous le pouvez, de la tester et d'ajouter des coûts de transaction réalistes qui incluent autant d'aspects de la classe d'actif dans laquelle vous souhaitez négocier.
Voici une liste des serveurs de préimpression et des revues financières les plus populaires à partir desquels vous pouvez vous inspirer:
La formation de vos propres stratégies quantitatives nécessite généralement (mais sans s'y limiter) une expertise dans une ou plusieurs des catégories suivantes:
Il y a bien sûr beaucoup d'autres domaines à explorer pour les quantiques.
En continuant à surveiller ces sources sur une base hebdomadaire, voire quotidienne, vous vous préparez à recevoir une liste cohérente de stratégies provenant d'un large éventail de sources.
La première et sans doute la plus évidente considération est de savoir si vous comprenez réellement la stratégie. Seriez-vous capable d'expliquer la stratégie de manière concise ou nécessite-t-elle une série d'avertissements et des listes de paramètres infinies? En outre, la stratégie a-t-elle une base solide et solide dans la réalité? Par exemple, pourriez-vous souligner une logique comportementale ou une contrainte de structure de fonds qui pourrait causer les modèles que vous essayez d'exploiter? Cette contrainte résisterait-elle à un changement de régime, comme une perturbation spectaculaire de l'environnement réglementaire? La stratégie repose-t-elle sur des règles statistiques ou mathématiques complexes? S'applique-t-elle à une série chronologique financière ou est-elle spécifique à la classe d'actifs sur laquelle elle est prétendument rentable? Vous devriez constamment penser à ces facteurs lors de l'évaluation de nouvelles méthodes de trading, sinon vous risquez de perdre beaucoup de temps à essayer de retester et
Une fois que vous avez déterminé que vous comprenez les principes de base de la stratégie, vous devez décider si elle correspond à votre profil de personnalité mentionné ci-dessus. Ce n'est pas une considération aussi vague que cela puisse paraître! Les stratégies diffèrent considérablement par leurs caractéristiques de performance. Il existe certains types de personnalité qui peuvent gérer des périodes plus importantes de retrait, ou sont prêts à accepter un plus grand risque pour un plus grand rendement. Malgré le fait que nous, en tant que quants, essayons d'éliminer autant de biais cognitifs que possible et que nous devrions être en mesure d'évaluer une stratégie de manière dépassionnée, les biais vont toujours se glisser. Nous avons donc besoin d'un moyen cohérent et non émotionnel pour évaluer la performance des stratégies. Voici la liste des critères selon lesquels je juge une nouvelle stratégie potentielle:
Remarquez que nous n'avons pas discuté des rendements réels de la stratégie. Pourquoi? isolément, les rendements nous fournissent en fait des informations limitées sur l'efficacité de la stratégie. Ils ne vous donnent pas un aperçu de l'effet de levier, de la volatilité, des repères ou des exigences de capital. Ainsi, les stratégies sont rarement jugées sur leur seul rendement. Considérez toujours les attributs de risque d'une stratégie avant de regarder les rendements.
Dans cette phase, de nombreuses stratégies trouvées dans votre pipeline seront rejetées de plein fouet, car elles ne répondront pas à vos exigences en matière de capital, de contraintes d'effet de levier, de tolérance maximale au tirage ou de préférences en matière de volatilité.
Aujourd'hui, l'ampleur des exigences techniques pour le stockage des données historiques est considérable. Afin de rester compétitif, les investisseurs du côté achat (fonds) et du côté vente (banques d'investissement) investissent massivement dans leur infrastructure technique. Il est impératif de considérer son importance. En particulier, nous sommes intéressés par les exigences de rapidité, d'exactitude et de stockage. Je vais maintenant décrire les bases de l'obtention de données historiques et comment les stocker. Malheureusement, il s'agit d'un sujet très profond et technique, je ne pourrai donc pas tout dire dans cet article. Cependant, j'écrirai beaucoup plus à ce sujet à l'avenir car mon expérience antérieure dans l'industrie financière était principalement liée à l'acquisition, au stockage et à l'accès aux données financières.
Dans la section précédente, nous avions mis en place un pipeline de stratégies qui nous permettait de rejeter certaines stratégies en fonction de nos propres critères de rejet personnels. Dans cette section, nous filtrerons plus de stratégies en fonction de nos propres préférences pour l'obtention de données historiques. Les principales considérations (surtout au niveau du professionnel de la vente au détail) sont les coûts des données, les exigences de stockage et votre niveau d'expertise technique. Nous devons également discuter des différents types de données disponibles et des différentes considérations que chaque type de données nous imposera.
Commençons par discuter des types de données disponibles et des questions clés sur lesquelles nous devrons réfléchir:
Comme on peut le voir, une fois qu'une stratégie a été identifiée via le pipeline, il sera nécessaire d'évaluer la disponibilité, les coûts, la complexité et les détails d'implémentation d'un ensemble particulier de données historiques. Vous pourriez trouver nécessaire de rejeter une stratégie basée uniquement sur des considérations de données historiques.
Je veux dire, cependant, que de nombreuses plates-formes de backtesting peuvent vous fournir ces données automatiquement - à un coût. Ainsi, cela vous évitera une grande partie de la douleur de mise en œuvre, et vous pouvez vous concentrer uniquement sur la mise en œuvre et l'optimisation de la stratégie. Des outils comme TradeStation possèdent cette capacité. Cependant, mon point de vue personnel est de mettre en œuvre autant que possible en interne et d'éviter d'externaliser des parties de la pile aux fournisseurs de logiciels. Je préfère les stratégies de fréquence plus élevée en raison de leurs ratios Sharpe plus attrayants, mais elles sont souvent étroitement liées à la pile de technologie, où l'optimisation avancée est essentielle.
Maintenant que nous avons discuté des questions entourant les données historiques, il est temps de commencer à mettre en œuvre nos stratégies dans un moteur de backtesting.