Como os ETFs afetam o mercado de ações: Existe um lado escuro para ETFs?
Como os ETFs afetam o mercado de ações: Existe um lado escuro para ETFs?
O lado escuro dos ETFs?
Parece interessante e, na minha humilde opinião, uma imagem de Darth Vader na página 1 seria uma excelente adição ao papel.
O papel, # 8220; Existe um lado sombrio para trocar fundos negociados? Uma perspectiva de informação, & # 8221; escrito por Doron Israeli, Charles M. C. Lee e Suhas A. Sridharan, cai nos detalhes sobre algumas implicações da maior participação da ETF em ações individuais.
A principal premissa do trabalho é a seguinte: "Mais pessoas estão investindo usando ETFs, então quais são as implicações de uma maior participação na ETF para ações individuais?
Wes escreveu recentemente um resumo de um artigo de teoria sobre esse tópico exato para etf. Um fato interessante do artigo da teoria é o seguinte (citado do artigo):
Descobrimos que, após a introdução de títulos compostos com desenhos endógenos, os preços dos ativos refletem informações mais sistemáticas e menos informações específicas dos ativos, porque os criadores de mercado, entendendo que o especulador de fatores aproveita completamente sua vantagem informativa, estabeleceu preços mais sensíveis às ordens de segurança compostas.
O artigo da teoria sugere que a informação sistemática torna-se importante (à medida que a propriedade da ETF cresce) e a informação específica da empresa torna-se menos importante. Muito interessante!
Então, enquanto a teoria diz que os ETFs estão causando uma informação específica da empresa para ter um impacto menor, o que os dados dizem? Esse é o ponto deste artigo que vamos discutir abaixo.
Hipóteses de papel.
O artigo começa por propor que existam duas maneiras pelas quais o aumento da participação da ETF pode afetar os estoques individuais.
Nós propomos e testamos duas hipóteses. Primeiro, postamos que, à medida que os ETFs se tornem detentores maiores de ações de uma empresa, os custos de negociação dos títulos subjacentes aumentarão. Esse aumento nos custos de negociação está associado a uma diminuição da liquidez disponível para os ativos componentes possuídos pelos ETFs. Em segundo lugar, postamos que o aumento dos custos comerciais levará a uma deterioração geral da eficiência de preços dos títulos subjacentes. Especificamente, postamos que o aumento dos custos de negociação irá dissuadir os comerciantes que de outra forma gastariam recursos na aquisição de informações sobre esse estoque. Em outras palavras, para as empresas que são amplamente detidas por ETFs, o incentivo para que os agentes busquem, adquiram e troquem informações específicas da empresa diminuirá. Ao longo do tempo, isso resultará em uma deterioração geral no ambiente de informações da empresa e uma redução na medida em que o preço das ações pode refletir rapidamente informações específicas da empresa.
Então, os trabalhos estão propondo duas hipóteses:
À medida que a participação da ETF aumenta, os custos de negociação dos títulos subjacentes aumentarão. À medida que a propriedade da ETF aumenta, as informações específicas da empresa refletirão menos nos preços (enquanto a informação do mercado / indústria será mais importante).
Qual poderia ser a causa disso? Nas palavras dos autores:
Ainda mais importante, os ETFs oferecem um veículo de investimento alternativo atraente para comerciantes desinformados (ou "ruídos"), que, de outra forma, negociariam os títulos dos componentes subjacentes. À medida que a participação da ETF aumenta, alguns comerciantes desinformados dos títulos subjacentes migram para o mercado ETF. Ao longo do tempo, essa migração cria um sifão constante de liquidez de nível firme, o que, por sua vez, gera um desincentivo para os comerciantes informados a gastar recursos para obter informações específicas da empresa.
Os autores sugerem que os comerciantes de ruído simplesmente mudaram de ações para ETFs. (1) Fazer isso faz com que a liquidez se mova dos estoques subjacentes e para que as informações se movam para o mercado / nível da indústria em oposição ao nível específico da empresa.
Os autores examinam os resultados examinando as mudanças na propriedade ETF (não o nível) e afeta as variáveis acima. A Figura 2 no papel (mostrado abaixo) fornece uma boa visualização da construção variável no papel.
Abaixo, examinamos como os autores examinam essas idéias.
Os Dados e Resultados.
O documento analisa os estoques dos EUA de 2000 a 2017 para estudar o efeito da propriedade da ETF em (1) custos de negociação e (2) proxies para a eficiência de preços no nível da empresa. A Figura 1 (mostrada abaixo) destaca que a propriedade da ETF aumentou muito ao longo desse período de tempo. A Figura 1 representa a porcentagem média de ações em circulação mantida pelos ETFs para empresas na amostra. Ao começar perto de 1% em 2000, a porcentagem média de compartilhada por ETFs está agora acima de 5%!
Este gráfico representa a porcentagem média de ações em circulação de ETFs para empresas na amostra.
Então, quais são os efeitos desse aumento de propriedade?
O documento primeiro analisa o impacto que o aumento da participação da ETF tem nos custos de negociação dos estoques subjacentes. Para testar essa ideia, os autores regredem a mudança na participação da ETF para cada ação em relação a duas medidas de custos de negociação: (1) spread médio de oferta / solicitação e (2) uma medida ajustada do impacto do preço das negociações. A Tabela 2 (abaixo) mostra os resultados para a regressão na propagação média de ofertas / pedidos. Como pode ser visto na primeira linha, o documento conclui que, à medida que a participação da ETF aumenta, o lance médio de propaganda aumenta e o resultado é significativo. O documento encontra um resultado semelhante na Tabela 3, pelo que o aumento da participação da ETF faz com que o impacto do preço das negociações aumente.
Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não se pode investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação.
Os resultados das Tabelas 2 e 3 do documento indicam que o aumento da participação da ETF parece aumentar o custo de negociação dos títulos subjacentes! (2)
Em seguida, os autores examinam como os aumentos na propriedade da ETF afetam os preços das firmas. Eles examinam isso através de duas variáveis de medição:
Sincronicidade de retorno de estoque (SYNCH) & # 8212; a medida em que a variação nos retornos de estoque no nível da empresa é atribuível a movimentos nos retornos do mercado e da indústria relacionada. Coeficiente de resposta ao rendimento futuro (FERC) & # 8212; a associação entre retornos atuais específicos da empresa e ganhos futuros da empresa.
Os autores encontram resultados muito semelhantes a um artigo teórico separado, que é que os preços dos ativos refletem (1) informações mais sistemáticas e (2) menos informações específicas de ativos. O teste de preços dos ativos que reflete informações mais sistemáticas é encontrado na Tabela 4 (mostrado abaixo), onde os autores regredem a variável SYNCH contra as mudanças na propriedade da ETF. Conforme sugerido pelos autores e a teoria, à medida que a propriedade da ETF aumenta, mais o movimento do retorno das ações é explicado por movimentos no mercado e retornos da indústria relacionada. Isso é mostrado como o coeficiente na variável SYNCH é positivo e estatisticamente significativo. O documento acha que um aumento de um ponto percentual na propriedade da ETF está associado a aproximadamente um aumento de 9 pontos percentuais na variação anual média na sincronicidade de retorno.
Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não se pode investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação.
Em seguida, os autores examinam como as informações específicas da empresa são incorporadas nos preços como resultado dos aumentos na propriedade da ETF. Para fazer isso, eles regredem os resultados atuais das ações sobre ganhos futuros, para examinar até que ponto os atuais retornos no nível da empresa refletem os ganhos futuros da empresa (ou macro). Os resultados para a regressão são mostrados na Tabela 5, Painel A (mostrado abaixo). Examinando o prazo de interação de (1) as mudanças de propriedade da ETF e (2) ganhos futuros para uma empresa, encontra-se uma relação negativa estatisticamente significante.
Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não se pode investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação.
Mas o que esses resultados de regressão significam? Aqui está uma citação direta do artigo:
Isso sugere que as empresas que experimentam um aumento de um ponto de porcentagem na propriedade da ETF também experimentam uma redução de 14% na magnitude média de seus coeficientes de resposta de ganhos futuros.
Essa é uma descoberta grande e interessante. À medida que a participação da ETF aumenta, o efeito da informação específica da empresa incorporada em preços diminui.
Os autores observam que há outro documento de trabalho que encontra o resultado exato oposto! Aqui está o link para o outro documento de trabalho de Glosten, Nallareddy e Zou (2017). No entanto, depois de examinar o papel concorrente, o & # 8220; Dark side & # 8221; O documento acha que a diferença de resultados tem a ver com a construção das variáveis, ou seja, o atraso na propriedade da ETF. (3)
Conclusão.
Como os ETFs afetam a paisagem do mercado está no topo da mente de cada investidor. Este artigo ajuda a lançar alguma luz preliminar sobre o assunto. Mas o que devemos fazer com esses resultados?
Os autores discutem isso em sua conclusão:
É útil lembrar-se de uma advertência importante imposta pelo nosso projeto de pesquisa. Embora tenhamos demonstrado uma associação entre as mudanças atrasadas na propriedade da ETF e as mudanças nos custos de negociação das empresas e na eficiência de preços, essa associação por si só não implica causalidade. Tanto as mudanças na propriedade da ETF quanto as mudanças subsequentes nas outras características da empresa podem ser devidas a outra variável latente, não identificada. Não podemos pensar em um bom candidato, mas nossa incapacidade de o fazer não impede sua existência. No mínimo, documentamos um conjunto de achados empíricos que são amplamente consistentes com uma explicação baseada na informação, que os futuros pesquisadores que buscam uma explicação alternativa devem abordar.
A descoberta de que os preços das ações se movem mais com o mercado / indústria e menos para informações específicas da empresa, uma vez que a participação na ETF é interessante, pois somos proponentes do investimento Value e Momentum. Isso implica que a informação que pode ser relevante (como o aumento / diminuição dos ganhos neste artigo) não está sendo devidamente incorporada nos preços e pode realmente causar que os prémios dos fatores sejam maiores no futuro! No entanto, isso só ocorreria se a informação finalmente for incorporada nos preços das ações (isso não foi testado no documento). Além disso, enquanto a informação específica da empresa não está sendo incorporada nos preços (um investidor pro-factor), o custo de negociação de ações individuais também está aumentando (um con para fatores de investidores).
É difícil entender como os prós e contras se alinham no ponto de vista de um fator-investidor (mais análise é necessária). Este artigo pode ser mais relevante para CEOs / CFOs de empresas & # 8212; se a informação específica da empresa não for & # 8220; corretamente & # 8221; sendo incorporado em preços, um CEO / CFO ágil pode aproveitar isso através do canal de financiamento # 8212; Compre ações se o & # 8220; bom & # 8221; a informação não está embutida (compre baixo) e venda equidade / dívida se & # 8220; ruim e # 8221; as notícias não estão sendo incorporadas (venda alta).
No geral, este é um documento muito interessante e provocativo, por favor, deixe-nos saber o que você pensa abaixo!
** Hat tip (não truque) para Art Johnson por sugerir que revisemos este artigo!
Existe um lado escuro para os fundos negociados em bolsa (ETFs)? Uma Perspectiva de Informação.
Doron Israeli, Charles M. C. Lee, e Suhas A. Sridharan Uma versão do artigo pode ser encontrada aqui.
Examinamos se um aumento na propriedade da ETF é acompanhado por uma queda na eficiência de preços para os títulos dos componentes subjacentes. Nossos testes mostram que um aumento na participação da ETF está associado a: (1) maiores custos de negociação (spreads de oferta e tempo e liquidez do mercado); (2) um aumento na "sincronização de retorno de estoque"; (3) uma queda nos "coeficientes de resposta de ganhos futuros"; e (4) um declínio no número de analistas cobrindo a empresa. Coletivamente, nossas descobertas sustentam a visão de que o aumento da participação na ETF pode levar a maiores custos de negociação e menores benefícios com a aquisição de informações. Esta combinação resulta em preços de segurança menos informativos para as empresas subjacentes.
As opiniões e opiniões aqui expressas são as do autor e não refletem necessariamente as opiniões da Alpha Architect, suas afiliadas ou seus funcionários. Nossas divulgações completas estão disponíveis aqui. Definições de estatísticas comuns usadas em nossa análise estão disponíveis aqui (para a parte inferior). Junte-se a milhares de outros leitores e inscreva-se no nosso blog. Este site não fornece informações sobre nossos ETFs de valor ou nossos ETF's momentum. Consulte este site.
Dada a diferença em suas conclusões e as nossas, tomamos várias medidas para conciliar as descobertas. A primeira diferença fundamental entre a sua configuração e a nossa está enraizada no intervalo de tempo entre a mensuração das mudanças na propriedade da ETF, os retornos e os ganhos da empresa. Como eles se concentram na compreensão do impacto da negociação ETF contemporânea, eles medem as mudanças na participação e retorno dos ETF no mesmo trimestre. Em contraste, estamos interessados em entender as implicações de longo prazo dos aumentos na participação da ETF na eficiência de preços, então nós medimos os níveis e as mudanças de propriedade da ETF antes do início da janela de medidas de retorno. Para verificar que esta mudança na janela de medição ETF é um dos principais fatores das diferenças entre nossos resultados e os deles, estimamos a Eq. (5b) enquanto mede as mudanças na propriedade da ETF e os ganhos simultaneamente com os retornos, como eles.
A coluna 1 da tabela 5, painel B, apresenta os resultados dessa estimativa. Os resultados mostram que os coeficientes nas variáveis de interesse (a interação de ΔETF com agregados contemporâneos e ganhos específicos da empresa) são positivos, consistentes com os achados relatados por Glosten et al. Para garantir que o efeito que eles documentaram não subsume aqueles relatados em nossas análises FERC, também estimamos a Eq. (5b) incluindo tanto o Glosten et al. medição de ΔETF e nossa medida original de ΔETF. As estatísticas de resumo a partir desta estimativa são apresentadas na coluna 2 da tabela 5, painel B. Este teste mostra que todas as nossas descobertas anteriores sobre uma redução nas FERCs com aumento da participação da ETF continuam a manter, após o controle da Glosten et al. variáveis.
A variação do tempo no risco sistemático afeta a rentabilidade das estratégias de investimento contrárias?
34 páginas postadas: 20 de junho de 2002.
Antonios Antoniou.
Emilios C. Galariotis.
Audencia Business School.
Spyros I. Spyrou.
Universidade de Economia e Negócios de Atenas - Departamento de Contabilidade e Finanças.
Estudos empíricos recentes parecem sugerir que as estratégias contrárias fazem lucros substanciais que podem ser inconsistentes com mercados economicamente eficientes. Este artigo examina se a detecção de lucros contrários é sensível à definição de retornos anormais e a duração dos períodos de formação e teste e investiga o efeito de estatisticas mensais bem conhecidas sobre os resultados empíricos. Além disso, em vista de evidências recentes de que o risco beta não é constante, o artigo emprega um procedimento que permite a variação do tempo no risco sistemático e também examina se os retornos anormais das estratégias contrárias são uma compensação normal para mudanças de risco entre a formação do portfólio e o portfólio Período de testes. Nenhuma evidência empírica sobre lucros contrários existe até agora para a Bolsa de Valores de Atenas, um mercado emergente para o qual se esperaria uma maior previsibilidade de retorno. Para antecipar os resultados, encontramos que as estratégias contrárias do horizonte mais longas são mais lucrativas do que as estratégias de horizonte mais curtas. No entanto, os lucros contrários são muito sensíveis à especificação de retornos anormais, ou seja, quando permitimos que o risco beta varie ao longo do tempo, a maioria dos lucros das estratégias contrárias desaparecem. Além disso, mesmo para o caso em que detectamos lucros de arbitragem, os resultados indicam que eles podem ser devido a mudanças no risco de mercado.
Notas: Anteriormente intitulado "A variação de tempo no risco sistemático afeta a rentabilidade de estratégias de investimento contrárias? O caso da Bolsa de Valores de Atenas"
Palavras-chave: Previsibilidade de retorno, lucros contrários, mercados de ações emergentes, filtro de Kalman.
Antonios Antoniou.
Wealth Associates (email)
Emilios Galariotis.
Audencia Business School (email)
8 Estrada Joneliere.
Nantes Cedex 3, 44312.
Spyros Spyrou (Autor do Contato)
Universidade de Economia e Negócios de Atenas - Departamento de Contabilidade e Finanças (e-mail)
76 Patission Street.
GR-104 34 Atenas.
Estatísticas de papel.
Jornais relacionados.
Mercado de capitais: EJournal de eficiência de mercado.
Assine este boletim de taxas para mais artigos com curadoria sobre este tópico.
Links Rápidos.
Sobre.
Os cookies são usados por este site. Para recusar ou aprender mais, visite nossa página Cookies. Esta página foi processada pelo apollo5 em 0.156 segundos.
A Finança comportamental é uma indústria de crescimento?
As pessoas gostam de pensar no mercado de ações como uma pessoa: tem modos, pode ser ornery ou exuberante, pode reagir exageradamente um dia e corrigir o próximo, e assim por diante. Isso faz com que os comentários de televisão são violentos, mas a psicologia pode realmente nos ajudar a entender melhor os mercados financeiros? Sim, diga muitos acadêmicos, embora não colocando o mercado em um sofá. A subdisciplina das finanças comportamentais ganhou terreno na última meia década. A idéia é simples: os investidores não são tão racionais como a teoria tradicional assumiu, e os seus desvios na tomada de decisões podem ter um efeito cumulativo sobre os preços dos ativos.
Essa noção aborda a teoria estabelecida de que os mercados são eficientes. A teoria dos mercados eficientes sugere que os ativos têm um preço correto porque a oferta e a demanda refletem o conhecimento público atual agregado sobre esses ativos - e que o movimento dos preços das ações não pode ser predito de forma confiável com base em resultados passados.
As finanças comportamentais claramente não são uma moda passageira. & # 8220; É aceito como um campo em finanças, enquanto cinco ou seis anos atrás não era, & # 8221; diz Simon Gervais, professor de finanças da Wharton. & # 8220; Há agora um corpo de pessoas sério trabalhando nisso. & # 8221; Mais pesquisas foram recentemente publicadas sobre como os indivíduos tomam decisões de investimento, a implicação dessas decisões para os preços dos ativos e, cada vez mais, os viés comportamentais que afetam a tomada de decisões nas finanças corporativas.
Os professores de finanças comportamentais também estão ganhando terreno profissional. Mesmo o departamento de finanças conservador da Universidade de Chicago abriu suas portas para alguns proponentes, começando com Richard Thaler, cuja pesquisa em meados da década de 1980 sobre as peculiaridades e os preconceitos de investimento dos indivíduos deu ao campo muito do seu ímpeto prático. Para alguns, as finanças comportamentais são uma revolução, transformando a forma como as pessoas vêem os mercados e o que influencia os preços. Mas nem todos concordam. & # 8220; É muito importante para ser chamado de revolução, & # 8221; observa Andrew Metrick, professor de finanças da Wharton, cuja pesquisa faz fronteira com o campo. & # 8220; De certa forma, isso ocorreu desde o início da pesquisa financeira. Ele simplesmente não foi codificado e casado com psicologia tão formalmente antes. & # 8221;
Mas tudo não é resplandecente nas finanças comportamentais. O professor de finanças Eugene Fama, da Universidade de Chicago, que é amplamente considerado como o iniciador e principal proponente da teoria dos mercados eficientes, foi o crítico mais forte e duradouro do campo - e ele não suavizou sua oposição. As opiniões de Fama se espalharam - mesmo entre as fileiras dos behavioristas. Atualmente, há críticas intensificadas às metodologias por trás de algumas pesquisas de finanças comportamentais e da validade de modelos comportamentais que demonstram como os viés dos investidores e os erros cognitivos afetam os preços dos ativos. Visto em outra luz, no entanto, a internalização desta crítica poderia ser um sinal de maturação gradual do campo.
A crítica de Fama é significativa. Em um artigo no Journal of Financial Economics em 1998, Fama zombou da ideia de que o financiamento comportamental - com suas explicações de bolhas, pânico, tendências dos preços dos ativos e insistência de que o mercado pode ser espancado - pode substituir ou superar a teoria dos mercados eficiente . Ele deu pouco crédito a explicações behavioristas de tendências e anomalias # 82221; descoberto em dados históricos dos preços dos ativos, argumentando que as técnicas de mineração de dados permitem localizar padrões cujo significado é, no entanto, questionável, se não irrelevante. E atribuir comportamentos a essas tendências está cheio de armadilhas.
Três anos depois, as opiniões de Fama não mudaram. & # 8220; Com exceção das pessoas de topo, & # 8221; ele diz: "É fácil obter artigos feitos em finanças comportamentais. O campo tende a atrair pessoas que não são estatísticas muito boas. Ele tendeu a atrair pessoas que, basicamente, apenas buscam anomalias, sem qualquer rima ou motivo. E isso não é ciência. & # 8221; Em resumo, Fama argumenta que o financiamento comportamental não demonstrou que as tendências dos indivíduos, quando agregadas, tenham impacto nos preços mundiais. Fama também aponta que os modelos de finanças comportamentais freqüentemente se contradizem.
Talvez seja um sinal da robustez do campo que seus proponentes não se sentem obrigados a aceitar seus preceitos por atacado - e muito menos se amontoam de forma protetora em torno de algumas idéias-chave. Gervais, que co-autorizou uma série de trabalhos que se enquadram no guarda-chuva de finanças comportamentais, observa que ele não é um crente perfeito. # 8221; Algumas das pesquisas realizadas não o impressionam. Algumas pessoas viram as finanças comportamentais como uma oportunidade para não falar sobre economia, e # 8221; ele diz.
Gervais cita estudos de eventos, que se concentram nos preços dos ativos antes e depois de um evento, como um anúncio ou fusão de ganhos. A fraqueza nesta área, ele explica, é que às vezes o comportamento do mercado exibido é atribuído à reação exagerada e às vezes à falta de reação. & # 8220; As pessoas tomaram o comportamento que é conveniente para o estudo particular que estão fazendo, & # 8221; ele diz. & # 8220; Eles não tentam ver se os preconceitos são o resultado de forças econômicas subjacentes. E agora não há nenhum tipo de teoria geral que concilie todas essas coisas. & # 8221;
Mesmo alguns dos defensores mais firmes do campo estão ouvindo Fama. Hersh Shefrin, professora de finanças da Universidade de Santa Clara e editora do próximo 3-volume Behavioral Finance, discorda da linha de fundo da Fama, mas reconhece as críticas. Há fracos em muitos dos papéis de finanças comportamentais que estão sendo escritos agora e que foram escritos nos últimos anos, & # 8221; ele diz. & # 8220; Não temos profissionais suficientes que tenham sido treinados tanto na psicologia acadêmica quanto nas finanças tradicionais, de modo que os modelos que eles estão colocando são ad hoc. Eles são apenas velados pelos estudos de psicologia de como as pessoas pensam e são inconsistentes uns com os outros. # 8221; Ainda assim, ele argumenta, a disciplina está se movendo na direção certa. E está ganhando impulso: & # 8220; O paradigma está mudando. As pessoas continuam a atravessar a fronteira do campo tradicional para o de comportamento. Alguns deles estão a ver, outros simplesmente estão andando em frente. & # 8221;
Mas o argumento está longe de terminar. Para muitos acadêmicos, a teoria dos mercados eficientes não explica todos os recantos dos mercados, mas isso não significa um cheque em branco intelectual para o financiamento comportamental. Em A Non Random Walk Down Wall Street, publicado em 1999, o professor de financiamento da Wharton, A. Craig MacKinlay, e Andrew Lo, do MIT, identificaram previsões de preços dos ativos que não eram facilmente explicadas pelos modelos econômicos tradicionais que assumem o comportamento racional. De acordo com MacKinlay, & # 8220; Isso levou naturalmente as explicações alternativas sobre a previsibilidade dos preços dos ativos, que são as explicações de financiamento comportamental - que a natureza humana nem sempre se comporta como assumimos em nossos modelos econômicos tradicionais. & # 8221;
Então MacKinlay é um conversor? Na verdade não. O principal problema com as finanças comportamentais é que as previsões com os modelos tendem a não ser suficientemente específicas para que você possa facilmente refutar a teoria, & # 8221; ele diz. Mackinlay também traz o argumento de mineração de dados de Fama de que sempre é possível encontrar padrões incomuns em dados históricos em virtude de ter apenas uma história para confiar. Com o aumento de dados e poder de computação disponíveis, ele observa, & # 8220; é fácil pesquisar amplamente através dos dados e descobrir fenômenos incomuns. Mas o genuíno desses fenômenos é um problema aberto. & # 8221;
Um exemplo disto, diz Mackinlay, é a premissa de que os estoques de valores geralmente superam os estoques de crescimento (embora as ações de crescimento tivessem recentemente seu dia no sol). Muitos dos argumentos de valor versus crescimento foram baseados em dados de 1962 a 1990, ele observa, e aquele "# 8220" passou a ser um período relativamente bom de estoques de valor na minha opinião, então essas conclusões - mesmo que um período de 30 anos o período parece longo - não segure tão fortemente. & # 8221;
Metrick, também, não espera modelos de finanças comportamentais para substituir modelos tradicionais de como o mercado funciona. & # 8220; Há algumas coisas acontecendo que não são capturadas no paradigma racional - essas são as anomalias, & # 8221; ele diz. & # 8220; Os modelos que atualmente temos que assumem o comportamento racional nunca serão descrições ruins da realidade. Eles simplesmente não vão capturar tudo. Eu recordo o paradigma racional e penso que vai me obter a maioria das respostas na maioria dos casos. # 8221; No entanto, ele ressalta, já que as bolhas e outras anomalias têm efeitos econômicos reais - qualquer que seja sua fonte - vale a pena dedicar tempo e esforço tentando entender o que os impulsiona e se seu impacto pode ser limitado.
Enquanto isso, um dos maiores debates em finanças comportamentais diz respeito ao tipo de visão prática e prática que ele gera sobre o mercado. Fama, é claro, descarta a noção de que o financiamento comportamental pode produzir estratégias de negociação efetivas. Há uma grande demanda de finanças comportamentais entre profissionais porque ninguém quer acreditar que os mercados são eficientes, e # 8221; ele diz. & # 8220; Todo mundo quer pensar que há dinheiro na mesa. Mas a realidade é, se há tanto dinheiro na mesa, como é que todo estudo de desempenho de investimento descobre que os gerentes profissionais não podem fazer melhor do que os fundos do índice? # 8221; E os investidores de varejo, ele argumenta, se mutilam ao pensar que podem fazer parte do mercado.
Shefrin tem uma resposta. É um equívoco que as finanças comportamentais significam que as pessoas podem vencer o mercado, argumenta ele. As finanças comportamentais não dizem: "Há dinheiro fácil, vá atrás dele". Diz que a psicologia faz com que os preços do mercado e os valores fundamentais sejam parte da empresa há muito tempo. E, embora haja uma oportunidade de lucro potencial, ela vem embalada juntamente com riscos adicionais - e o dinheiro inteligente não pode ou não realizará uma aposta suficientemente grande para erradicar a anomalia. # 8221; Isso implica que o dinheiro inteligente não será capaz de arbitrar essas anomalias e devolver o mercado ao equilíbrio - talvez porque não seja possível, levará muito tempo, é muito arriscado no curto prazo, ou por algum outro motivo. Então a anomalia persistirá.
& # 8220; Essa é a lição sobre finanças comportamentais, e essa é a lição que a maioria dos acadêmicos não entende, & # 8221; diz Shefrin. Ele continua a ressaltar que os investidores de varejo que pensam que são inteligentes o suficiente para vencer os mercados geralmente nem compreendem as idéias tradicionais e, provavelmente, simplesmente agirá como se Eugene Fama estivesse certo e seguisse um passivo longo - estratégia de termo. & # 8221;
David Hirshleifer, professor de finanças da Universidade Estadual de Ohio, cujo trabalho se concentra em como o comportamento dos indivíduos influenciam os preços dos ativos, sugere que as finanças comportamentais apenas estão desenvolvendo suas pernas marinhas. Na sua opinião, porque as finanças baseadas em psicologia são atualmente uma disciplina de crescimento e ainda não madura, há muita discordância - mas é um desentendimento produtivo. & # 8220; As pessoas estão gerando novas hipóteses, compreendendo melhor quais são as implicações de diferentes efeitos psicológicos para o mercado e sujeitando essas idéias a testes empíricos, & # 8221; ele diz. & # 8220; Não estamos perto de um novo conjunto comum de premissas ou implicações para os mercados que todos concordam, mas temos um processo pelo qual as pessoas estão pensando nessas questões sistematicamente e tentando comparar as previsões com a evidência. & # 8221;
A área de finanças comportamentais que evita alguns dos argumentos mais vexados sobre os preços dos ativos são as decisões reais dos investidores individuais e os erros de julgamento sobre o mercado. & # 8220; Não é que haja uma finanças comuns e um financiamento estranho e estranho, & # 8221; diz Terrance Odean, professor de finanças da Universidade da Califórnia em Berkeley, e um dos poucos acadêmicos com uma sólida formação em psicologia e economia. Na sua opinião, tendências sistemáticas nas decisões dos investidores ou gerentes de fundos fazem a diferença e podem contribuir para a compreensão de como funcionam os mercados - embora esses preconceitos não sejam sempre igualmente importantes. Há provavelmente algumas teorias de finanças comportamentais propostas que não descrevem o mundo em que vivemos, & # 8221; ele diz. & # 8220; Mas eles não suportarão o teste do tempo. & # 8221;
Para Odean (que colaborou com o Gervais da Wharton em alguns artigos), pesquisa sobre por que os investidores individuais não se comportam da maneira como a teoria dos mercados eficiente diz que deveria estar em um terreno mais sólido empiricamente. No final da década de 1990, usando dados de uma grande empresa de corretagem sobre as carteiras de ações ordinárias de investidores individuais, ele descobriu que as pessoas eram muito mais propensas a manter um investimento perdedor e a vender um investimento vencedor, em relação ao seu custo de oportunidade, do que deveriam ter sido. & # 8220; Isso é o que a teoria do comportamento previu e é o oposto do comportamento normativo por razões fiscais, & # 8221; ele diz.
Shlomo Benartzi, professor de contabilidade na UCLA que co-autorizou uma meia dúzia de trabalhos com Thaler, sugere outra razão para se concentrar nas decisões de investimento de indivíduos. Não tem nada a ver com se os seus preconceitos podem afetar os preços dos ativos. Em vez disso, ele argumenta, os preços podem ser exatamente o mesmo, qualquer investidor poderia estar fazendo a escolha errada. É só que, no agregado, os erros são eliminados. & # 8221;
A pesquisa de Benartzi lidou com a forma como os indivíduos tomam decisões sobre suas carteiras em planos de poupança de aposentadoria e como os programas alternativos podem ser concebidos para superar vieses e permitir que os investidores tomem decisões mais racionais. Ele mostrou, por exemplo, que as informações e escolhas oferecidas por um fundo de pensão aos seus clientes afetam as decisões que essas pessoas fazem. Como resultado de seu trabalho nessa área, a IBM alterou o menu de fundos que ele oferece aos seus funcionários.
Mas há mais perguntas do que respostas sobre o que influencia as decisões dos investidores individuais. Por que, por exemplo, as pessoas que têm muito dinheiro investido em fundos mútuos, ou que têm dinheiro em uma conta CD, emprestam-se fortemente em seus cartões de crédito e pagam altas taxas de juros em vez de pagar a dívida? & # 8220; Temos muito pouco entendimento, & # 8221; Benartzi continua, de como as pessoas decidem quanto risco tomar, por que as pessoas trocam tanto, como pensam em diversificar ou reequilibrar suas carteiras, como decidem exercer opções de ações, e assim por diante. & # 8221; Essas questões têm um efeito no mercado, mas não necessariamente sobre os preços dos ativos.
Muitas em finanças comportamentais agora estão ampliando esse interesse na psicologia da tomada de decisão dos indivíduos para o campo das finanças corporativas. De acordo com Gervais e outros, é aí que a recompensa das finanças comportamentais provavelmente irá mentir. Gervais está desenvolvendo uma teoria para o porquê as empresas contratam funcionários sobreconfidentes. Shefrin diz que está mudando para o lado das finanças corporativas para explorar como os gerentes realmente tomam decisões em suas empresas. & # 8220; É difícil ensinar investidores individuais a evitar armadilhas comportamentais, & # 8221; ele aponta. & # 8220; mas as empresas estão sempre procurando novas maneiras de fazer as coisas, especialmente quando as empresas não estão indo bem. Existem programas de 12 passos que você pode implementar para ajudar o gerenciamento a evitar grandes armadilhas de decisão. # 8221;
Outro motivo pelo qual as finanças corporativas são uma área atraente para estudo, sugere Odean, é que não há oportunidades de arbitragem com decisões corporativas. Com ações e títulos, se alguns investidores tiverem expectativas que são consideradas injustificadas pelo mercado, outros irão intensificar-se para tirar proveito desses erros, restaurando o equilíbrio. “What this means [for corporate finance] is that there are plenty of opportunities for people’s decision biases to have a meaningful effect on how the firm fares,” ele adiciona.
Hirshleifer agrees that applying behavioral-finance concepts to corporate finance can pay off. If managers are imperfectly rational, he says, perhaps they are not evaluating investments correctly. Are they, for instance, making bad choices in their capital-structure decisions? Another set of questions, he notes, relates back to the market. If, say, Internet stocks are being valued very highly and the manager of an Internet firm believes the market has overvalued his firm, what should he do? What are the advantages and disadvantages of different strategies such as issuing more equity or acquiring another company that has real assets? Hirshleifer says he and his coauthors are beginning to tackle some conceptual issues that can help companies make such decisions.
As a field of study that offers a conceptual framework for examining how people think and act in the financial markets, behavioral finance clearly has legs. But MacKinlay is far from alone when he suggests that behavioral finance has probably been oversold. Few people realistically think behavioral finance will displace efficient-markets theory. On the other hand, the idea that investors and managers are not uniformly rational makes intuitive sense to many people. MacKinlay is also clearly not alone when he says of behavioral finance that “some of the underlying arguments are somewhat compelling — and consistent with the way I behave.”
Citing Knowledge @ Wharton.
Para uso pessoal:
accessed January 03, 2018. knowledge. wharton. upenn. edu/article/is-behavioral-finance-a-growth-industry/
Para uso educacional / comercial:
Leitura adicional.
Jeremy Siegel: O que é a seguir para a economia dos EUA em 2018.
Foi um ano inesperadamente estelar para os mercados de ações dos EUA em 2017. De acordo com o professor de finanças da Wharton, Jeremy Siegel, uma vez que a maioria das boas notícias sobre a economia foi assada em índices agora, os mercados provavelmente irão respirar.
Gestão.
Ano novo, Nova actuação: como dominar a procura de emprego moderna.
Para conseguir um novo emprego, parece que ser um bom ajuste é menos importante do que poder navegar na tecnologia de busca de emprego. O que os candidatos a emprego e os empregadores podem fazer para obter o resultado certo?
Conteúdo Patrocinado.
O CFO Imperative: Gerenciando os riscos decorrentes da tecnologia.
À medida que as empresas utilizam cada vez mais a tecnologia em todas as partes do seu negócio, o gerenciamento de riscos tecnológicos se torna uma parte crítica do gerenciamento de riscos corporativos.
Junte-se à discussão.
No Comments So Far.
mantenha-se informado.
Obtenha Knowledge @ Wharton entregue à sua caixa de entrada todas as semanas.
QuantStart.
Junte-se ao portal de membros privados da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento. Você encontrará um grupo bem informado de mentalistas quant pronto para responder suas perguntas comerciais mais importantes.
Confira meu ebook sobre o comércio de quant, onde eu ensino você como criar estratégias de negociação sistemáticas lucrativas com ferramentas Python, desde o início.
Dê uma olhada no meu novo ebook sobre estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas bayesianas, com Python e R.
Por Michael Halls-Moore em 26 de abril de 2018.
Este artigo continua com a série sobre negociação quantitativa, que começou com o Guia do Iniciante e Identificação Estratégica. Ambos os artigos mais longos e mais envolvidos têm sido muito populares, então continuarei nesta linha e fornecerá 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 mercado / intercâmbio. Eu não poderia esperar para cobrir todos esses tópicos em um artigo, então eu vou dividi-los em duas ou três peças menores. O que vamos discutir nesta seção? Começarei definindo backtesting e depois descreverei os conceitos básicos de como é realizado. Então, elucidaremos os vícios que abordamos no Guia do Iniciante de Negociação Quantitativa. Em seguida, apresentarei uma comparação das várias opções de software de backtesting disponíveis.
Em artigos subsequentes, 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.
Vamos começar discutindo o que é backtesting e por que devemos realizá-lo em nossa negociação algorítmica.
O que é 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 comércio (o que significaremos aqui ser uma "ida e volta" de dois sinais) terá um lucro ou perda associada. A acumulação deste lucro / perda ao longo da sua estratégia backtest levará ao lucro total (também conhecido como 'P & L' ou 'PnL'). Essa é a essência da idéia, embora seja claro que o "diabo está sempre nos detalhes"!
Quais são os principais motivos para testar uma estratégia algorítmica?
Filtração - Se você se lembra do artigo sobre Identificação de Estratégia, nosso objetivo na fase de pesquisa inicial foi configurar um pipeline estratégico e depois 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 ordens, latência, liquidez ou outros problemas de microestrutura de mercado. Otimização - Embora a otimização da 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 particular em que o sistema de execução é a chave para o desempenho da estratégia, como acontece com os algoritmos de ultra alta frequência.
Infelizmente, o backtesting está 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 da negociação algorítmica, pelo que é nosso trabalho minimizá-los da melhor forma possível para tomar decisões informadas sobre nossas estratégias algorítmicas.
Existem quatro vieses principais que eu gostaria de discutir: Bias de Otimização, Bias de Look-Ahead, 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 "ajuste de curva" ou "viés de snooping de dados".
O viés de otimização é difícil de eliminar, pois estratégias algorítmicas geralmente envolvem muitos parâmetros. Os "Parâmetros" nesta instância podem ser os critérios de entrada / saída, períodos de retorno, períodos de média (ou seja, o parâmetro de suavização da média móvel) ou a frequência de medição da 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 esse 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. Existe uma vasta literatura sobre algoritmos de otimização multidimensional e é uma área de pesquisa altamente ativa. Não vou me aprofundar aqui, mas mantenha-o no fundo de sua mente quando você encontrar uma estratégia com um backtest fantástico!
Look-Ahead Bias.
O viés prospectivo é introduzido em um sistema backtesting quando os dados futuros são incluídos acidentalmente em um ponto na simulação onde esses dados não estarão realmente disponíveis. Se estamos executando o backtest cronologicamente e chegarmos ao ponto de tempo $ N $, o viés de frente para a frente ocorre se os dados estiverem incluídos para qualquer ponto $ N + k $, onde $ k> 0 $. Os erros de polarização anteriores podem ser extremamente sutis. Aqui estão três exemplos de como o viés favorável pode ser introduzido:
Bugs técnicos - Arrays / vetores no código geralmente têm iteradores ou variáveis de índice. Deslocamentos incorretos desses índices podem levar a um viés avançado, incorporando dados em $ N + k $ por zero $ k $. Cálculo de parâmetro - Outro exemplo comum de polarização aparente ocorre ao calcular parâmetros de estratégia ótimos, como, por exemplo, 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 retroativamente a uma estratégia de negociação para fins de otimização, os dados futuros estão sendo incorporados e existe um viés de espera. Maxima / Minima - Certas estratégias de negociação utilizam valores extremos em qualquer período de tempo, como incorporar os preços altos ou baixos nos dados da OHLC. No entanto, uma vez que estes valores máximos / mínimos só podem ser calculados no final de um período de tempo, um viés de avanço é introduzido se esses valores forem usados - durante o período atual. É sempre necessário atrasar valores altos / baixos em pelo menos um período em qualquer estratégia comercial 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 ao de seus efeitos negativos significativamente na "negociação ao vivo".
Viés de sobrevivência.
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" até o momento atual.
Por exemplo, considere testar uma estratégia em uma seleção aleatória de ações antes e depois do crash do mercado de 2001. Algumas ações de tecnologia faliram, 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 prospectivo, já que as futuras informações estão sendo incorporadas na análise passada.
Existem duas maneiras principais de mitigar o viés de sobrevivência na estratégia de backtests:
Survivorship Bias Free Datasets - No caso de dados de capital, é possível comprar conjuntos de dados que incluam entidades excluídas, embora não sejam baratos e apenas tendem a ser 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 derivados futuros). 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 "sobreviventes", simplesmente porque há uma 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 freqüentemente discutido no contexto da negociação quantitativa. No entanto, é discutido extensivamente em relação a métodos comerciais mais discricionários. Tem vários nomes, mas eu decidi chamá-lo 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 Sharpe e até mesmo as características de retirada e ficar satisfeito com os resultados. Como exemplo, a estratégia pode ter 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 ocorrerem 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. Tenho observado 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 chamo de "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, os 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 teste 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 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 escolha de 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 P & L de longo prazo do que a terceirização, tanto quanto possível, para o software do fornecedor. Isso deve-se ao risco negativo de ter erros ou idiossincrasias externas 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 Broker - Alguns softwares de backtesting, como 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 "força" você a fazer isso), então você terá um tempo mais difícil de transição para o novo software (ou um novo corretor) se for necessário. Os corretores interativos fornecem 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 praticamente qualquer operação matemática imaginável, mas também permitem uma personalização extensiva, quando necessário. Complexidade de Estratégia - Certos softwares simplesmente não são recortados para uma grande combinação de números ou complexidade matemática. O Excel é uma dessas peças de software. 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 se certificar de que se você quiser criar toda a funcionalidade você mesmo, que não introduza problemas 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 na sala" aqui! Velocidade de Execução - Se sua estratégia for completamente dependente da pontualidade de execução (como em HFT / UHFT), 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 a nossa infra-estrutura de software, quero executar alguns dos pacotes mais populares e como eles comparam:
Nota: Eu só vou incluir o software que está 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 área de varejo e eu pessoalmente não tenho experiência com elas.
1.000 USD para uma licença.
Estratégias diferentes exigirão diferentes pacotes de software. As estratégias HFT e UHFT serão escritas em C / C ++ (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 à natureza "tudo em um" da software / corretagem.
Minha preferência pessoal é para o 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" 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 trocar"!
Nos próximos artigos sobre backtesting, analisaremos algumas questões específicas relacionadas à implementação de um sistema de backtesting de negociação algorítmica, bem como a forma de incorporar os efeitos das trocas comerciais. Vamos discutir a medida de desempenho da estratégia e finalmente concluir com uma estratégia de exemplo.
Apenas iniciando o comércio quantitativo?
3 razões para se inscrever para a lista de e-mails QuantStart:
1. Quant Trading Lessons.
Você terá acesso instantâneo a um curso de e-mail gratuito de 10 partes, repleto de sugestões e dicas para ajudá-lo a começar a negociação quantitativa!
2. Todo o conteúdo mais recente.
Todas as semanas, vou enviar-lhe um envoltório de todas as atividades no QuantStart para que você nunca mais perca uma postagem novamente.
Real, dicas de negociação viáveis, sem tonturas.
Effects of transparency: analyzing social biases on trader performance in social trading.
Florian Glaser Email author Marten Risius.
Social Trading platforms combine the trading functionalities of classical online broker services with the communication and interaction features of social networks. Next to following other users’ profiles, a main characteristic of social trading platforms is the possibility to follow other users by automatically copying their trades. By being a technologically based financial intermediary that enables individual profit maximization, social trading platforms constitute a contemporary example of financialization. Our empirical analysis of the behavior of traders on a social trading platform provides new insights on financialization related questions regarding the influence of transparency and interaction in delegated investment environments. The disposition effect is a well-studied behavioral bias of investors and traders. Human investors tend to realize returns of their winning positions too early and let unfavorable positions accumulate losses for too long. We find that on social trading platforms the traders’ sensitivity to the disposition effect is influenced by the amount of attention they receive from their followers who invested capital into the traders’ strategy. These novel insights propose a link between principal-agent theory and the disposition effect induced by transparency mechanisms. We extend the literature on trader-investor interaction channels in social trading networks. The results obtained in a social network environment are of high relevance for regulators who have a strong focus on customer protection and financial services regulation. They also provide guidelines for platform designers, traders, investors and social trading platform operators.
Referências.
Informações sobre direitos autorais.
Autores e afiliações.
Florian Glaser 1 Email author Marten Risius 2 1. Goethe University Frankfurt Frankfurt am Main Germany 2. University of Mannheim Mannheim Germany.
Sobre este artigo.
Published in cooperation with.
Recomendações personalizadas.
Cite o artigo.
.RIS Papers Reference Manager RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Compartilhe o artigo.
Acesso ilimitado ao artigo completo Download instantâneo Inclua o imposto de vendas local, se aplicável.
Cite o artigo.
.RIS Papers Reference Manager RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Compartilhe o artigo.
Mais de 10 milhões de documentos científicos ao seu alcance.
Switch Edition.
&cópia de; 2017 Springer International Publishing AG. Parte de Springer Nature.
No comments:
Post a Comment