Epchan Forex Trading

Disse karene legger massevis av tidsbasert analyse på valutamarkeder jeg fant denne forrige uke, og jeg surfer fortsatt på materialet. Hva jeg egentlig ikke vet er om Momentum-strategier er så tiltalende som de ser ut til å være. Hvis du gjør det i det hele tatt kort sikt, og du bruker en stopper megleren kan pistol din stopp. En annen ting å ta hensyn til er at for å vite når en Momentum-strategi har sluttet å fungere, må du sannsynligvis miste flere ganger enn når du gjør parhandel. Uansett, de fleste av strategiene jeg har sett på nettet, er avhengig av prisklasser, breakouts Fibonacci nivåer for å forutsi maksimal rekkevidde av momentumet, og bruken av visse bevegelige gjennomsnitt som støtte. Andre ppl hevder å være virkelig lønnsom handel NFP og slik. tror at Momentum trading kan slå par trading konsekvent. Min gjetning er at disse typene strategier er veldig veldig tidsavhengige, da er det også vanskeligere å forutsi. Hi Bernd, de fleste momentum strategier har lavere Sharpe forhold enn gjennomsnittlig-tilbakevendende strategi es og gode momentum strategier er generelt vanskeligere å finne også. Når flere og flere mennesker tar på seg en trend, må vi gå inn i en stilling tidligere og tidligere. Men jeg vil legge til momentumstrategier til porteføljen min, ikke fordi de er bedre enn gjennombruddsstrategier, men fordi deres risikoavkastningsprofil er ganske ukorrelert, eller kanskje til og med korrelert, til den med avkastningsstrategier, og dermed vil det totale Sharpe-forholdet i porteføljen bli høyere. Med andre ord, det virker som en hekk. Jeg hadde lest referansebestemmelsespapiret, det nevner at deres FX-testdata er fra EBS-bassenget, jeg visste at bloomberg har EBS, men det er veldig dyrt for forhandler å få en blomberg profesjonell terminal, vet du hvor jeg kan kilde EBS FX-data til en rimelig pris takk. Paul, Mens undersøkelsen ble gjort ved hjelp av EBS-data, er det verdt å teste det på andre data. For eksempel kan du få et halvt år med gratis FX-data, selv for 1s-barer, fra interaktive meglere via ir API. Do gi oss beskjed hvis du finner ut at resultatene er forskjellige på IB Ernie. Jeg er enig med 100 Ernie med din porteføljekommentar om MR og MOM. Dette konseptet er tapt på så mange mennesker. De fleste er bare målrettet mot den ene eller den andre. er trøstende å vite at andre har kommet til samme konklusjon. Ernest, veldig fin blogg og bok av deg, det snakker høyt om arbeidet ditt. Jeg har ett spørsmål angående UIP Statistical Arb-strategien beskrevet av Irene Aldridge i boken High Frequency Handel på side 191. Det kan jeg ikke regne ut den første termen av ligning 13 7, hovedsakelig fordi det ser ut som det er en pris som vil finne sted i fremtiden, dvs. St 1, CHF USD. I en slik likning er det ingen forvirring om vilkårene som vises i høyre side av likestillingen, siden jeg kunne OLS alfaer og betas, pluss jeg kunne legge forskjellen mellom rentene i hvert land. Faktisk kunne jeg til og med kjenne Spot-hastigheten som er andre termen fra venstre til høyre for likestilling, dvs. den første til venstre for likestegnet Så jeg m fast prøver å løse for den ukjente St 1, CHF USD Jeg lurer på om du har noen ide om hvilket symbol eller finansielt instrument jeg skal bruke fordi jeg ikke forstår hvilken spredning jeg kjøper eller selg på venstre side av ligningen. Han Brian, Takk for din gode kommentar til boken min, jeg har faktisk ikke Aldridge s bok, så jeg må kjøpe en kopi før jeg kan svare på spørsmålet ditt Best, Ernie. Fx mikrostrukturstudier viser at det er klart tidspunkt for dagseffekter. Handelskursene i London og Tokyo er U-formet når det gjelder handelsaktivitet. Det er mange handler for de første par timene, da dør ting, så er det mange handler som gjøres under de siste 2-3 timene. Det er ingen mandag morgen effekt - det skjer ikke noe som helst fordi handel begynner etter helgen. Når det gjelder hvilke valutaer som handles på, blir hjemme valutaer alltid handlet mye tyngre enn andre, dvs. USD-valutapar blir handlet hevily under den amerikanske sesongen 7 AM EST i USA til 5 PM EST. Regarding hjem valutaer depreciating, dette har blitt sett i en studie eller to, men det er alle de fleste studier ikke merker dette, de bare merke tung handel på dem. Alt dette kommer fra Økonomi mikromarkett mikrostruktur studier. Veldig nyttig materiale, takk så mye for posten. Kvantitativ handel. En av de flerårige problemene i å bygge handelsmodeller er bevisstheten om data og den medfølgende faren for overfitting. Heldigvis finnes det systematiske metoder for å håndtere begge ender. av problemet Disse metodene er velkjente i maskinlæring, selv om de fleste tradisjonelle maskinlæringsapplikasjoner har mye mer data enn vi handlerne er vant til. Google brukte 10 millioner YouTube-videoer til å trene et dypt læringsnettverk for å gjenkjenne kattens ansikter. skape flere treningsdata ut av tynn luft, kan vi resample kanskje mer levende, oversample våre eksisterende data. Dette kalles bagging. La oss illustrere dette ved å bruke en fundamental faktormodell ned ribbet i min nye bok Det bruker 27 faktorbelastninger som PE, PB, Asset Omsetning, etc for hver aksje. Merk at jeg kaller tverrsnittsfaktorer, det vil si faktorer som avhenger av hver bestand, faktorbelastninger i stedet for faktorer ved konvensjon. Disse faktorbelastningene er samlet fra kvartalsregnskapet til SP 500-selskaper, og er tilgjengelige fra Sharadar s Core US Fundamentals database samt dyrere kilder som Compustat. Faktormodellen er veldig enkel. Det er bare en multiple lineær regresjonsmodell med neste kvartal s retur av en aksje som den avhengige målvariabelen og de 27 faktorbelastningene som de uavhengige prediktorvariablene. Opplæring består i å finne regresjonskoeffisientene til disse 27 prediktorer Handelsstrategien basert på denne prediktive faktormodellen er like enkel hvis den forventede neste kvartals-retur er positiv, kjøp aksjene og hold for en fjerdedel vice versa for shorts. Note er det allerede et skritt tatt i herding av data sparseness vi ikke tr y å bygge en egen modell med et annet sett med regresjonskoeffisienter for hver bestand Vi begrenser modellen slik at de samme regresjonskoeffisientene gjelder for alle aksjene Ellers vil treningsdataene vi bruker fra 200701-201112 kun ha 1 260 rader, i stedet av 1,260 x 500 630 000 rader. Resultatet av denne baseline trading modellen er ikke dårlig, det har en CAGR på 14 7 og Sharpe-forhold på 1 8 i perioden utenfor samlingen 201201-201401 Forsiktig denne porteføljen er ikke nødvendigvis marked eller dollar nøytral Dermed kan avkastningen skyldes en lang bias som nyter oksemarkedet i testperioden Interesserte lesere kan sikkert teste en markedsnøytral versjon av denne strategien sikret med SPY Jeg plottede egenkapitalkurven under. Nesten lagrer vi dataene tilfeldigvis plukke N 630 000 datapunkter med erstatning for å danne en ny trening sett en veske, og vi gjentar dette K 100 ganger for å danne K-poser. For hver veske trener vi en ny regresjonsmodell. På slutten er vi gjennomsnittlige over de forventede avkastningene til disse K-modeller som tjener som vår offisielle forventede avkastning Dette resulterer i marginale forbedringer av CAGR til 15 1, uten endring i Sharpe-forhold. Nå prøver vi å redusere prediksjonssettet. Vi bruker en metode som heter tilfeldig delrom. Vi velger tilfeldigvis halvparten av opprinnelige prediktorer for å trene en modell og gjenta dette K 100 ganger Igjen, gjennomsnittlig over forventet retur av alle disse modellene. I kombinasjon med bagging resulterer dette i ytterligere marginale forbedringer av CAGR til 15 1, igjen med liten endring i Sharpe-forholdet . Forbedringene fra en av metodene ser kanskje ikke ut til å være store ennå, men det viser i det minste at den opprinnelige modellen er robust i forhold til randomisering. Men det finnes en annen metode for å redusere antall prediktorer. Det kalles trinnvis regresjon. Ideen er enkel vi velg en prediktor fra det opprinnelige settet om gangen, og legg det til modellen bare hvis BIC Bayesian Information Criterion reduserer BIC er i hovedsak den negative loggmuligheten av treningsdataene basert på r egdsjonsmodell, med en straffesats som er proporsjonal med antall prediktorer Det vil si at hvis to modeller har samme loggbarhet, vil den med det større antall parametere ha en større BIC og dermed straffet. Når vi har nådd minimum BIC, prøver vi da for å fjerne en prediktor fra modellen om gangen, til BIC ikke kunne redusere ytterligere. Ved å bruke dette til våre fundamentale faktorbelastninger oppnår vi en ganske betydelig forbedring av CAGR over basemodellen 19 1 vs 14 7, med samme Sharpe ratio. It er også tilfredsstillende at den trinnvise regresjonsmodellen plukket bare to variabler ut av den opprinnelige 27 La det synke i et øyeblikk bare to variabler står for all prediktiv kraft i kvartalsrapporten Som i hvilke to variabler er disse - Jeg vil avsløre at i min snakk på QuantCon 2017 29. april. Jeg vil moderere denne nettverksarbeideren for min venn Nick Kirk, som lærte et lignende kurs på CQF i London for bred anerkjennelse. Jeg vil diskutere i detaljer AI teknikker som de som er beskrevet ovenfor, med andre eksempler og øvelser i klassen Som vanlig vil nyanser og fallgruver bli dekket. Mye har blitt skrevet om Post-Earnings Announcement Drift PEAD-strategien se for eksempel boken min, men mindre ble skrevet om pre-year announcement strategier som forandret seg nylig med publisering av to papirer. I likhet med PEAD benytter disse pre-announcement strategiene ikke noen faktiske inntjenings tall eller til og med estimater. De er helt basert på kunngjøringsdatoer som er forventet eller faktisk og kanskje nylig prisbevegelse. Den første av So og Wang 2014 foreslår ulike enkle, middelverdige reverseringsstrategier for amerikanske aksjer som inngår i stillinger på markedet, lukk like før en forventet kunngjøring. Her er min omskrivning av en slik strategi.1 Anta at t er den forventede inntektsdato for en aksje i Russell 3000-indeksen 2 Beregn pre-announcement-avkastningen fra dag t-4 til t-2 bare telle handelsdager 3 Trekke en ma rketindeksen returnerer over samme tilbakekallingsperiode fra forhåndsmeldingen, og kalle denne markedsjusterte avkastningen PAR 4 Velg de 18 aksjene med den beste PAR og kort dem med lik dollar på markedet nær t-1, likvidere på markedet nærme t 1 Velg de 18 aksjene med den verste PAR, og gjør motsatt Hedge enhver nettoeksponering med en markedsindeks ETF eller future. I backtested denne strategien ved hjelp av Wall Street Horizon WSHs forventede inntjeningsdatoer data, bruke det til aksjer i Russell 3000 indeksen og sikring med IWV Jeg fikk en CAGR på 9 1 og et Sharpe-forhold på 1 fra 2011 08 03-2016 09 30 Egenkapitalkurven vises nedenfor. Merk at WSHs data ble brukt i stedet for Yahoo Finance, Compustat , eller til og med Thomson Reuters IBES-inntjeningsdata, fordi bare WSHs data er time-in-time WSH fanget forventet inntjeningsmeldingsdato dagen før kunngjøringen, akkurat som vi ville ha hvis vi var live trading Vi brukte ikke den faktiske kunngjøringsdato som fanget i de fleste andre d ata kilder fordi vi ikke kunne være sikre på om et selskap endret sin forventede kunngjøringsdato på samme dato. Den faktiske kunngjøringsdatoen kan bare bli kjent med sikkerhet etter faktum, og derfor er det ikke punkt-til-tid. Hvis vi skulle løpe samme backtest ved hjelp av Yahoo Finance s historiske inntjeningsdata, ville CAGR ha falt til 6 8, og Sharpe-forholdet falt til 0 8. Tanken om at selskapene endrer sine forventede kunngjøringsdatoer, tar oss til den andre strategien, skapt av Ekaterina Kramarenko av Deltix s kvantitative forskningsteam I papiret hennes En automatisert handelsstrategi som bruker inntektsbevegelser fra Wall Street Horizon beskriver hun følgende strategi som eksplisitt benytter seg av slike endringer som et handelssignal.1 På markedet nær før inntjeningskampanjen forventes mellom dagens lukk og neste dag s åpne, beregne deltaD som er den siste endringen av forventet kunngjøringsdato for den kommende kunngjøringen målt i kalender da ys deltaD 0 hvis selskapet flyttet kunngjøringsdatoen senere og deltaD 0 hvis selskapet flyttet kunngjøringsdatoen tidligere 2 Også på samme marked lukk beregne deltaU som er antall kalenderdager siden siste endring av forventet kunngjøringsdato 3 Hvis deltaD 0 og deltaU 45, kjøp aksjene på markedet lukk og likvidere neste dag s markedet åpent Hvis deltaD 0 og deltaU 45, gjør det motsatte. Intuisjonen bak denne strategien er at hvis et selskap flytter en forventet kunngjøringsdato tidligere , spesielt hvis det skjer nær forventet dato, er det en indikasjon på gode nyheter, og vice versa Kramarenko fant en CAGR på 14 95 og et Sharpe-forhold på 2 08 ved å bruke denne strategien til SPX-aksjer fra 2006 1 3 - 2015 9 2. For å reprodusere dette resultatet må man sørge for at kapitalfordelingen er basert på følgende formel, antar at den totale kjøpekraften er M, og antall handelssignaler på markedet er n, så er handelsstørrelsen per aksjen er M 5 hvis n 5 og er M n hvis n 5. Jeg testet denne strategien fra 2011 8 3-2016 9 30 på et fast SPX-univers på 2011 7 5 og oppnådd CAGR 17 6 ​​og Sharpe-forholdet på 0 6.Backtesting this on Russell 3000 indeksunivers av aksjer ga bedre resultater, med CAGR 17 og Sharpe-ratio 1 9 Her justerer jeg handelsstørrelsen per lager til M 30 hvis n 30, og til M n hvis n 30, gitt at det totale antall aksjer i Russell 3000 er omtrent 6 ganger større enn SPX. Egenkapitalkurven vises nedenfor. En markedsnøytral versjon av denne strategien ved hjelp av IWV for å sikre netto nettoeksponering, forbedrer ikke Sharpe-forholdet, men reduserer CAGR-anerkjennelsen jeg betydelig. takk Michael Raines på Wall Street Horizon for å gi de historiske forventede inntjeningsdatoer for denne undersøkelsen. Videre takker jeg Stuart Farr og Ekaterina Kramarenko på Deltix for å gi meg en kopi av papiret deres og forklare meg nyansene om deres strategi. My kommende workshop. January 14 og 21 algoritmiske opsjonsstrategier. Dette nettbaserte kurset er forskjellig fra de fleste andre valgmuligheter som tilbys andre steder. Det vil dekke backtesting intraday opsjonsstrategier og porteføljealternativerstrategier. Jeg skrev i en tidligere artikkel om hvorfor vi bør backtest selv utgangen av dagens daglige strategier med intraday quote data Ellers kan ytelsen til slike strategier bli oppblåst. Her er et annet glimrende eksempel som jeg kom over nylig. Tenk på olje futures ETF USO og sin onde tvilling, den inverse olje futures ETF DNO I teorien, hvis USO har en daglig avkastning av x, vil DNO få en daglig avkastning på - x I praksis, hvis vi plotter DNOs daglige avkastning mot USO fra 2010 9 27-2016 9 9, ved hjelp av de vanlige, konsoliderte dataene dine som du kan finne på Yahoo Finance eller annen vendor. Vi ser at selv om skråningen faktisk er -1 til innenfor en standardfeil på 0 004, er det mange dager med betydelig avvik fra den rette linjen. Trader i oss vil umiddelbart tenke arbi Sakte, hvis vi backtest en enkel, gjennomsnittlig reverseringsstrategi på dette paret, bare kjøp samme dollar mengde USO og DNO når summen av deres daglige avkastning er mindre enn 40 bps på markedet, lukk, hold en dag og vice versa - Vi vil finne en strategi med et anstendig Sharpe-forhold på 1 selv etter å ha trukket 5 bps per side som transaksjonskostnader. Her er egenkapitalkurven. Skjønner det, men gjør det imidlertid, hvis vi backtest denne strategien igjen med BBO-data på markedet, lukker markedet , og passe på å trekke halvparten av bud-ask-spredningen som transaksjonskostnad, finner vi denne egenkapitalkurven. Vi kan se at problemet ikke bare er at vi mister penger på praktisk talt hver handel, men at det sjeldent var noen handel utløst. Da den daglige EOD-data antyder at en handel skal utløses, 1-min-baren BBO-data forteller oss at det faktisk ikke var noen avvik fra gjennomsnittet. Forresten ble avkastningen ovenfor beregnet før vi selv trekker ut lånekostnadene ved å avkorte disse ETFene. Rabatten for USO er ca 1 per år på Interactive Brokers, men en bratt 5 6 for DNO. Hvis du tror dette problemet er særegent for USO vs DNO, kan du også prøve TBT vs UBT. Incidentally, vi har bare bekreftet en gylden regel av finansmarkeder tydelig avvik fra effektivt marked er tillatt når ingen kan lønnsomt handle på arbitrage muligheten. Notat i henhold til Utstederen av DNO har midlertidig suspendert kreasjoner for dette fondet per 22. mars 2016 i påvent av innlevering av nytt papir med SEC. Denne handlingen kan skape uvanlige eller overdrevne premier en økning av fondets markedspris i forhold til messen verdi Innløsninger er ikke påvirket Handel med forsiktighetskontroll iNAV vs pris For en forklaring på etableringen av ETF-enheter, se artikkelen ting du ikke vil vite om ETFer og ETNs. Industrioppdatering. nylig registrert som en CTA og driver en markedsplass for handelsalgoritmer som alle kan bidra. De publiserte også et pedagogisk blogginnlegg for Python og Matlab backtesters. Jeg vil moderere en paneldiskusjon om hvordan kan midler utnytte ikke-tradisjonelle datakilder til å drive investering returnerer på Quant World Canada i Toronto, 10. november 2016. Kommende Workshops. Oktober 22. og 29. Lørdager, Quantitative Momentum Strategies online workshops. Momentum strategier er for de som ønsker å dra nytte av hale hendelser Jeg vil diskutere de grunnleggende årsakene til eksistensen av momentum i ulike markeder, samt spesifikke momentum strategier som holder posisjoner fra timer til dager. En senior direktør i en stor bank skrev meg igjen for Momentum Strategies kurs i denne uken. Det var veldig gunstig Jeg fant dine forklaringer på konsepter veldig klart og eksemplene godt utviklet Jeg liker den strenge tilnærmingen som du tar til strategievaluering. Friday, Ju ne 17, 2016. Alle elsker handel eller investere i ETPs. ETP er akronymet for børshandlede produkter, som inkluderer både børsnoterte fond ETF og børsnoterte notater ETN De virker enkle, gjennomsiktige, enkle å forstå Men det er noen få finesser som du kanskje ikke vet om.1 Den mest populære ETN er VXX, volatilitetsindeksen ETF I motsetning til ETF er ETN faktisk et usikret obligasjonslån utstedt av utstederen. Dette betyr at ETNs pris ikke bare kan avhenge av de underliggende eiendelene eller indeksen Det kan potensielt avhenge av kredittverdigheten til utstederen. Nå er VXX utstedt av Barclays. Du kan tro at Barclays er en stor bank, for stor til å mislykkes, og du kan ha rett. Likevel lover ingen at kredittverdigheten vil bli nedgradert Handel med VX-fremtiden har imidlertid ikke det problemet.2 ETP-utstederen sammen med de autoriserte deltakerne markeds beslutningstakere som kan be utstederen om å utstede flere ETP-aksjer eller å innløse slike aksjer for de underliggende eiendelene eller ca sh skal ha den totale markedsverdien til ETP-aksjene nøye spore NAV på de underliggende eiendelene. Det var imidlertid en bemerkelsesverdig forekomst når utstederen bevisst ikke gjorde det, noe som medførte store tap for enkelte investorer. Det var da utstederen av TVIX, den leverede ETN som sporer 2x den daglige avkastningen til VXX, stoppet all opprettelse av nye TVIX-aksjer midlertidig 22. februar 2012 se Denne utstederen er Credit Suisse, som kanskje har funnet ut at transaksjonskostnadene for å balansere denne svært volatile ETN var blir for høy På grunn av denne stoppen ble TVIX midlertidig omgjort til et lukket fond, og dets NAV avviklet vesentlig fra markedsverdien. TVIX handlet med en premie på 90 i forhold til den underliggende indeksen. Med andre ord, investorer som kjøpte TVIX i aksjemarkedet innen utgangen av mars betalte 90 mer enn de ville ha hvis de kunne kjøpe VIX-indeksen i stedet rett etter det annonserte Credit Suisse at de ville gjenopprette etableringen av TV IX-aksjer TVIX-markedsprisen gikk umiddelbart ned til NAV per aksje og forårsaket store tap for investorer som kjøpte like før gjenopptakelsen.3 Du kan være kjent med at A-leverte ETF skal spore kun ganger den daglige avkastningen av Den underliggende indeksen, ikke dens langsiktige avkastning. Men du kan ikke være mindre kjent med det faktum at det heller ikke skal spore ganger intradagavkastningen av indeksen, selv om det i mange tilfeller gjør det, takket være de mange arbitragerne. punkt i løpet av mai 2010 Flash Crash, opplevde mange inverse leverte ETFer en prisreduksjon da markedet krasjet nedover. Som omvendte ETFs trodde mange investorer at de skulle stige i pris og fungere som sikring mot markedsnedgang. For eksempel, dette kommentarbrevet til SEC påpekte at DOG, den inverse ETF som sporer -1x Dow 30-indeksen, gikk ned mer enn 60 fra verdien i begynnelsen 2 40 pm ET av Flash Crash Dette skyldes at ulike markeds beslutningstakere jeg ncluding de autoriserte deltakerne for DOG weren t lage markeder på den tiden Men et like viktig poeng å merke seg er at ved slutten av handelsdagen, DOG returnerte 3 2, nesten nøyaktig -1x retur av DIA ETF som sporer Dow 30 Så det fungerte som annonsert. Leksjon lært Vi skal ikke bruke inverse ETFer for intradag eller langsiktig sikring.4 NAV ikke NAV per andel av ETF trenger ikke å endres på samme måte som underliggende eiendels s markedsverdi For Eksempel, det samme kommentarbrevet som jeg sitert ovenfor skrev at GLD, gull ETF, gikk ned i pris fra 24. mars til 31. desember 2013, og spore det samme 24 fallet i spotgullprisen. Men dets NAV falt 52 Hvorfor de autoriserte deltakerne innløst mange GLD-aksjer, noe som fører til at aksjene som er utestående på GLD, reduseres fra 416 millioner til 266 millioner. Er det et problem Ikke i det hele tatt En investor i at ETF bare bryr seg om at hun opplevde samme avkastning som spotgull, og ikke hvor mye eiendeler ETF holdt aut Hør av kommentarbrevet skrev merkelig at investorer som ønsker å delta i gullmarkedet ikke ville kjøpe GLD hvis de visste at en prisnedgang i gull kunne resultere i dobbelt så mye underliggende aktivitetsnedgang for GLD som jeg tror er nonsens. Industrioppdatering Alex Boykov samarbeide WFAToolbox Walk-Forward Analysis Toolbox for MATLAB, som automatiserer prosessen med å bruke et bevegelig vindu for å optimalisere parametere og bare gå inn i handler i løpet av prøveperioden. Han har også samlet et frittstående program fra MATLAB som tillater at noen brukere har MATLAB eller ikke laster opp sitater i csv-format fra Google Finance for videre import til andre programmer og for å jobbe i Excel. Du kan laste den ned her. En maskininnlæringsteknikk er mest nyttig når noen gir oss nyskapende tekniske eller grunnleggende indikatorer, og vi har ennå ikke utviklet intuisjonen om hvordan du bruker dem. AI-teknikker kan foreslå måter å inkorporere dem i din handelsstrategi, og forenkle din unde Forståelse av disse indikatorene Selvfølgelig kan disse teknikkene noen ganger også foreslå uventede strategier i kjente markeder. Mitt kurs dekker de grunnleggende AI-teknikkene som er nyttige for en næringsdrivende, med vekt på de mange måtene å unngå overfitting. Alle vet at volatiliteten er avhengig av målefrekvensen standardavviket på 5-minutters retur er forskjellig fra det daglige avkastningen. For å være presis, hvis z er loggprisen, så er volatiliteten, samplet med intervaller av, is. where Var betyr å ta variansen over mange prøvetider. Hvis prisene virkelig er følg en geometrisk tilfeldig spasertur, deretter Var Var zt - z-t, og volatiliteten skalerer seg bare med kvadratroten av samplingsintervallet. Dette er grunnen til at hvis vi måler daglig avkastning, må vi multiplisere den daglige volatiliteten med 252 for å oppnå den årlige volatilitet. Tradere vet også at prisene ikke egentlig følger en geometrisk tilfeldig spasertur. Hvis prisene er betydelige tilbake, vil vi oppdage at de ikke vandrer vekk fra deres opprinnelige verdi så fort som en tilfeldig spasertur Hvis prisene trender, går de vekkere raskere Generelt kan vi skrive. hvor H heter Hurst-eksponenten, og det er lik 0 5 for en ekte geometrisk tilfeldig tur, men vil være mindre enn 0 5 for gjennomsnittlig tilbakebetale priser og over 0 5 for trendende priser. Hvis vi årliggjør volatiliteten til en gjennomsiktig prisserie, vil den ende opp med å ha en lavere årlig volatilitet enn en geometrisk tilfeldig tur, selv om begge har nøyaktig samme volatilitet målt på for eksempel 5-min barer Det motsatte gjelder for en trending prisserier. For eksempel, hvis vi prøver dette på AUDCAD, en åpenbart gjennomsiktig tidsserie, vil vi få H 0 43. Alle de ovennevnte er godt - kjent for mange handelsmenn, og er faktisk diskutert i boken min. Men det som er mer interessant er at Hurst-eksponenten selv kan endre seg på en gangs skala, og denne endringen signaliserer noen ganger et skifte fra en gjennomsnittlig reversering til et momentum regime, eller omvendt For å se dette, la s plotvolatilitet eller mer praktisk, varians som en funksjon av Dette kalles ofte termisk struktur av realisert volatilitet. Start med den kjente SPY vi kan beregne intradag retur med midprices fra 1 minutt til 2 10 minutes.17 hr, og plott loggen Var mot log Passformen, vist under, er utmerket Klikk på bildet for å forstørre Hellingen, divisjonert med 2, er Hurst-eksponenten, som viser seg å være 0 494 0 003, noe som er veldig lite gjennomsnittlig. Om vi ​​gjør det samme for daglig retur av SPY, i intervaller på 1 dag opp til 2 8 256 dager, finner vi at H er nå 0 469 0 007, noe som er signifikant gjennomsnittlig tilbakevending. Konklusjon betyr reversjonsstrategier på SPY bør fungere bedre interdag enn intradag. Vi kan gjøre den samme analysen for USO WTI råolje futures ETF Den intradag H er 0 515 0 001, noe som indikerer betydelig trendendring. Den daglige H er 0 56 0 02, enda mer signifikant trending. Så momentumstrategier skal fungere for råolje futures på alle rimelige tidsskalaer. nå til GLD, gull ETF Intradag H 0 505 0 002, som er litt trending Men daglig H 0 469 0 007 betyr betydelige tilbakevendende Momentum-strategier på gull kan fungere intradag, men betydelige reverseringsstrategier fungerer sikkert bedre over flere dager. Hvor skjer overgangen? Vi kan undersøke termstrukturen tett. Vi kan se at rundt 16-32 dager avviker volatiliteten fra rett linje ekstrapolert fra intradagfrekvenser. Det er hvor vi skal bytte fra momentum til betydelige reverseringsstrategier. En side notat av interesse når vi beregner variansen av avkastning over perioder som strekker seg to handelsdager og plotte dem som loggfunksjon bør inkludere timene når markedet ble stengt. Det viser seg at svaret er ja, men ikke fullstendig. For å lage diagrammet over hvor de daglige avvikene i utgangspunktet faller på samme rette linje som intradagavvik, må vi regne 1 handelsdag som tilsvarer 10 handels timer Ikke 6 5 for amerikanske aksjer ETF-markeder, og ikke 24 Det nøyaktige antall e Kvivalente trading timer, selvfølgelig, varierer på tvers av ulike instrumenter. Nyt over å diskutere de nye intradagdatabasene hos Quandl og Kerf. Euan Sinclair s skapelse startet et nytt forum Det har noen veldig aktive og grundige diskusjoner om mange handels - og investeringsemner. Prof Matthew Lyle på Kellogg School of Management har et nytt papir ut som relaterer grunnleggende til variansrisikopremier. Det er mye mer å bety reverseringsstrategier enn bare parhandel Finn ut hvordan du trives i det nåværende lavvolatilitetsmiljøet som er gunstig for denne type strategier. Å diskutere volatilitet er et veldig gammelt tema. Hver finansstudent har blitt lært å bruke GARCH-modellen for det. Men som de fleste ting vi lærte på skolen, forventer vi ikke nødvendigvis at de skal være nyttige i praksis, eller å jobbe godt ut av prøven. Når var den siste gangen du må bruke kalkulator i jobben. Men av nysgjerrighet gjorde jeg en rask etterforskning av sin kraft på å forutse volatiliteten i SPYs daglige nærtliggende avkastninger, har jeg beregnet parametrene for en GARCH-modell på treningsdata fra 21. desember 2005 til 5. desember 2011 ved hjelp av Matlabs Econometric-verktøykasse, og testet hvor ofte tegn på den forutsagte 1-dagers endringen i volatilitet er enig med virkeligheten på testsettet fra 6. desember 2011 til 25. november 2015 Enendagsendring i realisert volatilitet er definert som endringen i absoluttverdien av 1-dagers retur En hyggelig overraskelse avtalen er 58 av dagene. Hvis dette var nøyaktigheten for å forutsi tegn på SPY-avkastningen selv, bør vi forberede seg til å pensjonere seg i luksus. Volatilitet er lettere å forutsi enn signert avkastning, som alle finansstudenter har også blitt lært, men hva god er en god volatilitetsprediksjon. Ville det være nyttig for opsjonshandlere, som kan handle implisitte volatiliteter i stedet for retningsbestemt avkastning. Svaret er ja, realisert volatilitetsprediksjon er nyttig for underforstått volatilitetsprediksjon, men ikke slik du ville forvente. Hvis GARCH forteller oss at den realiserte volatiliteten vil øke i morgen, vil de fleste av oss instinktivt gå ut og kjøpe oss noen alternativer, dvs. underforstått volatilitet. I tilfelle av SPY ville vi p trolig gå, kjøp litt VXX Men det ville være en forferdelig feil Husk at volatiliteten vi forutslo er en usignert retur En prediksjon om økt volatilitet kan bety en veldig bullish dag i morgen En høy positiv avkastning i SPY er vanligvis ledsaget av en bratt nedgang i VXX In Andre ord, en økning i realisert volatilitet er vanligvis ledsaget av en reduksjon i implisitt volatilitet i dette tilfellet. Men det er veldig rart at denne korrelasjonen mellom endring i realisert volatilitet og endring i underforstått volatilitet også holder når avkastningen er negativ 57 av Dagene med negativ avkastning En svært negativ avkastning i SPY er faktisk vanligvis ledsaget av en økning i implisitt volatilitet eller VXX, noe som induserer positiv korrelasjon. Men i gjennomsnitt er en økning i realisert volatilitet på grunn av negativ avkastning fortsatt ledsaget av en reduksjon i implisitt volatilitet. Resultatet av alle disse er at hvis du forutsier spenningen i SPY vil øke i morgen, bør du kort VXX istedenfor. nettopp lansert en trading system konkurranse med garanterte investeringer på 2 25M for de beste tre trading systemer Quantiacs hjelper Quants få investeringer for sine trading algoritmer og hjelper investorer finne riktig trading system. En ny bok kalt Momo Traders - Tips, triks og strategier fra Ten Top Traders har omfattende intervjuer med ti toppdags - og swinghandlere som finner aksjer som beveger seg og kapitaliserer seg på den momentumen. En annen ny bok som heter Algoritmic og High-Frequency Trading av 3 matematiske finansprofessorer beskriver de sofistikerte matematiske verktøyene som blir brukt til høye frequency trading and optimal execution Yes, calculus is required here. My Upcoming Workshop. January 27-28 Algorithmic Options Strategies. This is a new online course that is different from most other options workshops offered elsewhere It will cover how one can backtest intraday option strategies and portfolio option strategies. March 7-11 Statistical Arbitrage, Quantitative Momentu m, and Artificial Intelligence for Traders. These courses are highly intensive training sessions held in London for a full week I typically need to walk for an hour along the Thames to rejuvenate after each day s class. The AI course is new, and to my amazement, some of the improved techniques actually work. My Upcoming Talk. I will be speaking at QuantCon 2016 on April 9 in New York The topic will be The Peculiarities of Volatility I pointed out one peculiarity above, but there are others. QTS Partners, L P has a net return of 1 56 in October YTD 11 50 Details available to Qualified Eligible Persons as defined in CFTC Rule 4 7.By Lukasz Wojtow Mechanical traders never stop researching for the next market edge Not only to get better results but also to have more than one system The best trading results can be achieved with multiple non-correlated systems traded simultaneously Unfortunately, most traders use similar market inefficiency some traders specialize in trend following, some in mean reversion and so on That s because learning to exploit one kind of edge is hard enough, mastering all of them impossible It would be beneficial to have a software that creates many non-related systems. Recently I released Genotick - an open source software that can create and manage a group of trading systems At the Genotick s core lies an epiphany if it s possible to create any software with just a handful of assembler instructions, it should be possible to create any trading systems with a handful of similarly simple instructions These simple and meaningless-on-its-own instructions become extremely powerful when combined together Right instructions in the right order can create any type of mechanical system trend following, mean reverting or even based on fundamental data. The driving engine behind Genotick s power is a genetic algorithm Current implementation is quite basic, but with some extra quirks For example, if any of the systems is really bad it stays in the population but its predictions are reversed Another trick is used to help recognize biased trading systems a system can be removed if it doesn t give mirrored prediction on mirrored data So for example, position on GBP USD must be opposite to the one on USD GBP Genotick also supports optional elitism where the best systems always stay in the population, while others are retired due to old age , protection for new systems to avoid removing systems that didn t yet have a chance to prove themselves and inheriting initial system s weight from parents These options give users plenty of room for experimentation. When Genotick is run for the first time - there are no systems They are created at the start using randomly chosen instructions Then, a genetic algorithm takes over each system is executed to check its prediction on historical data Systems that predicted correctly gain weight for future predictions, systems that predicted incorrectly lose weight Gradually, day after day, population of systems grows Bad systems are removed and good systems breed Prediction for each day is calculated by adding predictions of all systems available at the time Genotick doesn t iterate over the same historical data more than once training process looks exactly as if it was executed in real life one day at a time In fact, there is no separate training phase, program learns a little bit as each day passes by. Interestingly, Genotick doesn t check for rationale behind created systems As each system is created out of random instructions, it s possible and actually very likely that some systems use ridiculous logic For example, it s possible that a system will give a Buy signal if Volume was positive 42 days ago Another system may want to go short each time the third digit in yesterday s High is the same as second digit in today s Open Of course, such systems would never survive in real world and also they wouldn t survive for long in Genotick s population Because each system s initial weight is zero, they nev er gain any significant weight and therefore don t spoil cumulative prediction given by the program It may seem a little silly to allow such systems in the first place, but it enables Genotick to test algorithms that are free from traders believes, misguided opinions and personal limitations The sad fact is, the market doesn t care about what system you use and how much sweat and tears you put into it Market is going to do what it wants to do no questions asked, not taking prisoners Market doesn t even care if you use any sort of intelligence, artificial or not And so, the only rationale behind every trading system should be very simple Does it work Nothing more, nothing less This is the only metric Genotick uses to gauge systems. Each program s run will be a little bit different Equity chart below shows one possible performance Years shown are 2007 until 2015 with actual training starting in 2000 There is nothing special about year 2007, remember Genotick learns as it goes along Howeve r, I felt it s important to look how it performed during financial crisis Markets traded were. USD CHF, USD JPY, 10 Year US Bond Yield, SPX, EUR USD, GBP USD and Gold. In some cases, I tested the system on a market index such as SPX instead of an instrument that tracks the index such as SPY, but the difference should be minor All markets were mirrored to allow removing biased systems Some vital numbers. CAGR 9 88 Maxim drawdown -21 6 Longest drawdown 287 trading days Profitable days 53 3 CALMAR ratio 0 644 Sharpe ratio 1 06 Mean annual gain 24 1 Losing year 2013 -12. Click the cumulative returns in chart below to enlarge. Cumulative Returns since 2007.These numbers represent only directional edge offered by the software There were no stop-losses, no leverage and no position sizing, which could greatly improve real life results The performance assumes that at the end of each day, the positions are rebalanced so that each instrument starts with equal dollar value I e this is a constant rebalanced portfolio. Artificial Intelligence is a hot topic Self driving cars that drive better than an average human and chess algorithms that beat an average player are facts The difference is that using AI for trading is perfectly legal and opponents may never know Unlike chess and driving, there is a lot of randomness in financial markets and it may take us longer to notice when AI starts winning Best hedge funds can be still run by humans but if any trading method is really superior, AI will figure it out as well. At the moment Genotick is more of a proof-of-concept rather than production-ready. It is very limited in usability, it doesn t forgive mistakes and it s best to ask before using it for real trading You will need Java 7 to run it It s tested on both Linux and Windows 10 Example historical data is included Any questions or comments are welcomed. I have been a big fan of options trader and author Euan Sinclair for a long time I have cited his highly readable and influential book Option Trading in my own work, and it is always within easy reach from my desk His more recent book Volatility Trading is another must-read I ran into him at the Chicago Trading Show a few months ago where he was a panelist on volatility trading, and he graciously agreed to be interviewed by me. What is your educational background, and how did you start your trading career. I got a Ph D in theoretical physics, studying the transition from quantum to classical mechanics I always had intended to become a professor but the idea became less appealing once I saw what they d id all day At this time Nick Leeson was making news by blowing up Barings Bank and I thought I could do that I mean trade derivatives not blowing up a bank although I could probably manage that as well. Do you recommend a new graduate with a similar educational background as yours to pursue finance or trading as a career today. I don t think I would for a few reasons. The world of derivatives and trading in general is now so much more visible than it was and there are now far better ways to prepare When I started, physics Ph D s were hired only because they were smart and numerate and could pick things up on their own My first trading firm had no training program You just had to figure stuff out on your own Now there are many good MFE courses or you could do a financial economics Ph D. Further, it would very much depend on exactly what kind of physics had been studied I did a lot of classical mechanics which is really geometry This kind of pure theory isn t nearly as useful as a background heavy with stats or simulation. I think I could still make the transition, but it is no longer close to the ideal background. You have been a well-known options trader with a long track record what do you think is the biggest obstacle to success for a retail options trader. Trading costs Most option trading ideas are still built on the Black-Scholes-Merton framework and the idea of dynamic hedging albeit heavily modified Most pro firms have stat arb like execution methods to reduce the effective bid-ask they pay in the underlying They also pay practically no ticket charges and probably get rebates Even then, their average profit per option trade is very small and has been steadily decreasing. Further, a lot of positional option trading relies on a large universe of possible trades to consider This means a trader needs good scanning software to find trades, and a decent risk system because she will tend to have hundreds of positions on at one time This is all expensive as well. Retail trade rs can t play this game at all They have to look for situations that require little or no rebalancing and that can be limited to a much smaller universe I would recommend the VIX complex or equity earnings events. As an options trader, do you tend to short or long volatility. I am short about 95 of the time, but about 35 of my profits come from the long trades. Do you find it possible to fully automate options trading in the same way as that stocks, futures, and FX trading have been automated. I see no reason why not. You have recently started a new website called Can you tell us about it What prompted the transition of your focus from options to stocks. FactorWave is a set of stock and portfolio tools that do analysis in terms of factors such as value, size, quality and momentum There is a lot of research by both academics and investors that shows that these and other factors can give market beating returns and lower volatility. I ve been interested in stocks for a long time Most of my optio n experience has been with stock options and some of my best research was on how these factors affected volatility trading equity markets are a great place to build wealth over the long term They are a far more suitable vehicle for retirement planning than options. I actually think the distinction between trading and investing is fairly meaningless The only difference seems to be the time scale and this is very dependent on the person involved as well, with long-term meaning anything form months to inter-generational All I ve ever done as a trader is to look for meaningful edges and I found a lot of these in options But I ve never found anything as persistent as the stock factors There is over a hundred years of statistical evidence, studies in many countries and economic and behavioral reasons for their existence They present some of the best edges I have ever found That should be appealing to any trader or investor. Thank you These are really valuable insights. Epchan Forex Exchange. The authors are irreproachable for their use of high quality price data provided by CRSP and monthly fund NAV data from Bloomberg for their backtest Indeed, here is the cumulative returns chart from my own backtest click to enlarge However, I also know that there is one detail that many traders and academic researchers neglect when they backtest daily strategies for stocks, ETFs, or CEFs Epchan Forex Exchange Forex Che Le Influenze Di Tasso Di Cambio A San Marino Economia CHAPTER 5 Mean Reversion of Currencies and Futures 107 Business Wiley and a popular financial blogger at They often use the consolidated closing price as the execution price, instead of the official also called auction or primary closing price However, what is lesser known is how perfectly accurate capture of historical prices, if done in a sub-optimal way, can still lead to dangerously inflated backtest results Transaction costs are ignored, but shouldn t be significant for a monthly rebalance strategy. CEF Premum Revers ion Patro et al published a paper on trading the mean reversion of closed-end funds CEF premium Based on rational analysis, the market value of a CEF should be the same as the net asset value NAV of its holdings Epchan Forex Exchange marketcetera back testing trading strategies RE Quantitative and Algorithmic Trading What Can Quant Traders Learn from Puzzle for someone coming from a background in equities or forex The idea is, simply, that one can improve one s trading performance through the David Stockman s Contra Corner EP Chan Quantitative Trading Quant On the other hand, the price that most free data service such as Yahoo Finance provides is the consolidated price, which is merely that of the last transaction received by the Securities Information Processor SIP from any one of these market centers on or before 4pm ET CHAPTER 5 Mean Reversion of Currencies and Futures 107 Business Wiley and a popular financial blogger at So I was quite confident that I can reproduce their results w ith the same data from CRSP, and with historical NAV data from Compustat instead. To understand the difference, one has to remember that the US stock market is a network of over 60 market centers see the teaching notes of Prof Epchan Forex Exchange There is no reason to believe that one s order will be routed to that particular market center and was executed at that price at Technique Forex Eur Usd RE Quantitative and Algorithmic Trading What Can Quant Traders Learn from A natural way to execute this CEF strategy is to send a market-on-close MOC or limit-on-close LOC order near the close, since this is the way we can participate in the closing auction and avoid paying the bid-ask spread Futures Trading System CHAPTER 5 Mean Reversion of Currencies and Futures 107 Business Wiley and a popular financial blogger at Such orders will be routed to the primary exchange for each stock, ETF, or CEF, and the price it is filled at will be the official auction primary price at that exchange. I will illustrate this with three simple strategies Based on rational analysis, the market value of a CEF should be the same as the net asset value NAV of its holdings Epchan Forex Exchange Technical Assessment In Binary Choices Trading So the strategy to exploit any differences is both reasonable and simple rank all the CEF s by their difference premium between market value and NAV, and short the quintile with the highest premium and buy the quintile with the lowest maybe negative premium You can try this on a daily basis too, since Bloomberg provides daily NAV data The Sharpe ratio of this strategy from 1998-2011 is 1 5 Epchan Forex Exchange Joel Hasbrouck for an excellent review of the US stock market structure He maintains a popular blog Quantitative Trading at epchan Prior to iRageCapital, Gaurav worked with Axis Bank as a Forex-Interest Rates A natural way to execute this CEF strategy is to send a market-on-close MOC or limit-on-close LOC order near the close, since this is the way we c an participate in the closing auction and avoid paying the bid-ask spread. A correct backtest of a trading strategy requires accurate historical data Historical data that is full of errors will generate fictitious profits for mean-reverting strategies, since noise in prices is mean-reverting Epchan Forex Exchange Unfortunately, the CEF strategy was tested on this consolidated How To Manage Risk In Binary Options Trading The exact price at which one s order will be executed is highly dependent on the exact market center to which it has been routed Global Forex Exchange Market So I decide to backtest it again with the official closing price. Epchan Forexworld. Of course, if you are an individual trader with fewer than a hundred positions, preservation of capital becomes a lot more important, and so does stop loss I certainly think that applies to trend-following strategies Epchan Forexworld Mines And Money Uk 2012-13 How to play forex trading Ema trading system afl Bd forex forum Whenever y ou incur a big loss when you have a trend-following position, it ususally means that the latest entry signal is opposite to your original entry signal In part 3 we ve discussed the ideal development process of a model-based system, and consequently we ll conclude the series with developing a data-mining system One of my former bosses didn t believe in stop loss his argument is that the market does not care about your personal entry price, so your stop price may be somebody else s entry point Since he is running a portfolio with hundreds of positions, he doesn t regard preserving capital in just one or a few specific positions to be important. For our short-term trading example we ll use a deep learning algorithm, a stacked autoencoder, but it will work the same way with other machine learning algorithms With today s software tools, only about 20 lines of code are needed for a machine learning strategy Epchan Forexworld Forex Stock Market Hours Epchan forexworld Forex trading platforms s ingapore pools Astolfo sulla luna metaforex Oanda forex history The Journey of My Gold Trading Pengertian Nilai Tukar How to be a profitable short-term trader in a high frequency world w Dennis Dick EP 076 EP 052 Ernie Chan How to use leverage in Forex markets for your As a concrete example, I will apply this model to the commodity ETF spreads I discussed before that I believe are mean-reverting XLE-CL, GDX-GLD, EEM-IGE, and EWC-IGE How to play forex trading Ema trading system afl Bd forex forum Even if you are highly diversified and preservation of capital in specific positions is not important, are there situations where stop loss is rational. In this case, better admit your mistake, close your position, and maybe even enter into the opposite side Epchan Forexworld It is a simple model that says the next change in the spread is opposite in sign to the deviation of the spread from its long-term mean, with a magnitude that is proportional to the Forex Brokers Epchan forexworld Forex tra ding platforms singapore pools Astolfo sulla luna metaforex Oanda forex history The Journey of My Gold Trading Pengertian Nilai Tukar Here I propose a stop loss criterion that looks at another dimension time Convertisseur De Devises Taux Burkina Faso How to play forex trading Ema trading system afl Bd forex forum The simplest model one can apply to a mean-reverting process is the Ornstein-Uhlenbeck formula. The principles of data mining and machine learning have been the topic of part 4 With today s software tools, only about 20 lines of code are needed for a machine learning strategy Epchan Forexworld Market Valutakurser Forex Sverige I am a big fan of setting stop loss, but there are certainly myriad views on this Epchan Forexworld Sometimes I wish our politicians think this way On the other hand, if you employ a mean-reverting strategy, and instead of reverting, the market sticks to its original direction and causes you to lose money, does it mean you are wrong Indeed, many traders i n this case will double up their position, since the latest entry signal in this case is in the same direction as the original one Uk The Register Sci Tech News for the World Finance Yahoo Forex Forex Trading hedge fund sharpe ratio typical ads Here I propose a stop loss criterion that looks at another dimension time. It s time for the 5th and final part of the Build Better Strategies series Epchan Forexworld In our case, this proportionality constant can be estimated from a linear regression of the daily change of the spread versus the spread minute binary options strategy This raises a question though if incurring a big loss is not a good enough reason to surrender to the market, how would you ever decide if your mean-reverting model is wrong March Boursier Nouvelles Maurice Most importantly for us, if we solve this equation, we will find that the deviation from the mean exhibits an exponential decay towards zero, with the half-life of the decay equals ln 2.Trading Strategy Buy on Gap EPChan. This post is going to investigate a strategy called Buy on Gap that was discussed by E P Chan in his blog post the life and death of a strategy The strategy is a mean reverting strategy that looks to buy the weakest stocks in the S P 500 at the open and liquidate the positions at the close The performance of the strategy is seen in the image below, Annualized Sharpe Ratio Rf 0 2 129124.From the post two trading criterion were mentioned. Buy the 100 stocks out of the S P 500 constituents that have the lowest previous days lows to the current days opening price. Provided that the above return is less than the 1 times the 90day standard deviation of Close to Close returns. The criterion are fairly specific however it is important to write flexible code where it is easy to change the main model parameters, below is a list of variable names that specify the parameters in the R script. nStocksBuy How many stocks to buy. stdLookback How many days to look back for the standard deviation calculation. stdMultiple Number to multiply the standard deviation by was 1 in criterion 2 , the larger this variable the more stocks that will satisfy criterion 2.The code is split into 5 distinct sections. Section 1 Loop through all the stocks loaded from the data file, for each stock calculate the previous day close to current days open lowOpenRet Calculate the Close Close return and calculate the standard deviation stdClClRet Also calculate the Open to Close return for every day dayClOpRet , if we decide to trade this day this would be the return of the strategy for the day. Section 2 This section combines columns from each of the individual stock data frames into large matrices that cover all the stocks retMat contains the lowOpenRet for each stock stdMat contains the stdClClRet for all stocks, dayretMat contains the dayClOpRet for all stocks. Essentially instead of having lots of variables, we combine them into a big matrix. Section 3 This will check if matrices in section 2 match the trade entry criterion This section produces two matrices conditionOne and conditionTwo The matrices contain a 1 for a passed entry criterion and a 0 for a failed entry criterion. Section 4 This multiples the conditionOne with conditionTwo to give conditionsMet, since those matricies are binary multiplying them together identifies the regions where both conditions passed 1 1 1 ie a pass This means enter a trade. conditionsMet is then used as a mask, it has 1 s when a trade should occur and 0 s when no trade should happen So multiplying this with dayClOpRet gives us the Open to Close daily returns for all days and stocks that a trade occurred on. The script assumes capital is split equally between all the stocks that are bought at the open, if less than 100 stocks meet the entry criteria then it is acceptable to buy less. Section 5 This section does simple performance analytics and plots the equity curve against the S P 500 index. Onto the code note the datafile is generated in Stock Data Do wnload Saving R. Possible Future Modifications. Add shorting the strongest stocks so that the strategy is market neutral. Vary how many stocks to hold. Vary the input variables discussed above. Try a different asset class, does this work for forex.4 thoughts on Trading Strategy Buy on Gap EPChan. In EPChans blog he talks about this strategy collapsing, the above code must be slightly different to his implementation since the performance still looks OK post 2008.Another plausible explanation might be survival bias, the list of S P constituents is from 2011 however EPChan went live in 2007 where the constituents are different For example we know that Lehman Brothers folded in this time but this isn t back tested. Great analysis This data has survivorship bias, but only back to 2005, I wonder how much that would really change the results. Hi GekkoQuant, It s really weird that your results are different of those of Chan s I commented out the line when you add the average to the standard deviation and the results don t change much. Then, I applied the same strategy to Bovespa BVSP stocks since I live in Brazil and work with that market It should yield similar results in comparison with S P, since this strategy exploits a particular inefficiency in the opening auction price of equities Chan s words. We don t have as many stocks that are conveniently liquid to safely trade, so I tested a maximum of 10 and 20 stocks being held during the day For the period of Jan 2007 up to today, I got a cumulative return of 7 7 and 4 6, respectively. Hi GekkoQuant I tried ur strategy for few bucket of stocks, it exhibits good performance But I got a bit confused while trying in the short side shorting the strongest stocks so that the strategy is market neutral Can you please detail a bit about strongest stocks Did you mean stocks having lowest previous days Hi to the current days Op, and the return is more than the 1 times the 90day standard deviation of Cl-Cl returns. Leave a Reply Cancel reply.