Quantitativ Handel Strategie Forum

Quantitative Trading Was ist Quantitative Trading Quantitative Trading besteht aus Trading-Strategien auf der Grundlage der quantitativen Analyse. Die sich auf mathematische Berechnungen und Zahlenknirschen verlassen, um Handelsmöglichkeiten zu identifizieren. Da der quantitative Handel in der Regel von Finanzinstituten und Hedgefonds genutzt wird. Die Transaktionen sind in der Regel groß und können den Kauf und Verkauf von Hunderten von Tausenden von Aktien und anderen Wertpapieren beinhalten. Allerdings wird der quantitative Handel immer häufiger von einzelnen Investoren genutzt. BREAKING DOWN Quantitative Trading Preis und Volumen sind zwei der häufigsten Dateneingaben, die in der quantitativen Analyse als Haupteingaben für mathematische Modelle verwendet werden. Quantitative Handelstechniken umfassen Hochfrequenzhandel. Algorithmischer Handel und statistischer Arbitrage. Diese Techniken sind schnell-Feuer und haben in der Regel kurzfristige Anlagehorizonte. Viele quantitative Händler sind mit quantitativen Werkzeugen vertraut, wie z. B. gleitende Mittelwerte und Oszillatoren. Verständnis von quantitativen Trading Quantitative Trader nutzen die moderne Technologie, Mathematik und die Verfügbarkeit umfangreicher Datenbanken für rationale Handelsentscheidungen. Quantitative Händler nehmen eine Trading-Technik und erstellen ein Modell davon mit Mathematik, und dann entwickeln sie ein Computer-Programm, das das Modell auf historische Marktdaten anwendet. Das Modell wird dann zurückversetzt und optimiert. Wenn günstige Ergebnisse erzielt werden, wird das System dann in Echtzeitmärkten mit echtem Kapital umgesetzt. Die Art und Weise, wie quantitative Handelsmodelle funktionieren, lässt sich am besten mit einer Analogie beschreiben. Betrachten Sie einen Wetterbericht, in dem der Meteorologe eine 90 Chance des Regens prognostiziert, während die Sonne scheint. Der Meteorologe leitet diese kontraintuitive Schlussfolgerung durch das Sammeln und Analysieren von Klimadaten von Sensoren im gesamten Gebiet ab. Eine computergestützte quantitative Analyse zeigt spezifische Muster in den Daten. Wenn diese Muster mit den gleichen Mustern verglichen werden, die in historischen Klimadaten (Backtesting) und 90 von 100 Mal das Ergebnis regen, dann kann der Meteorologe die Schlussfolgerung mit Vertrauen, daher die 90 Prognose ziehen. Quantitative Händler wenden diesen Prozess auf den Finanzmarkt an, um Handelsentscheidungen zu treffen. Vor - und Nachteile des quantitativen Handels Das Ziel des Handels ist es, die optimale Wahrscheinlichkeit eines rentablen Handels zu berechnen. Ein typischer Trader kann die Entscheidungen über eine begrenzte Anzahl von Wertpapieren effektiv überwachen, analysieren und handeln, bevor die Menge der eingehenden Daten den Entscheidungsprozess überwältigt. Die Verwendung von quantitativen Handelstechniken beleuchtet diese Grenze durch die Verwendung von Computern zur Automatisierung der Monitoring-, Analyse - und Handelsentscheidungen. Überwindung von Emotionen ist eines der allgegenwärtigsten Probleme mit dem Handel. Sei es Angst oder Gier, beim Trading dient Emotionen nur dazu, das rationale Denken zu ersticken, was in der Regel zu Verlusten führt. Computer und Mathematik besitzen keine Emotionen, so dass der quantitative Handel dieses Problem beseitigt. Der quantitative Handel hat seine Probleme. Finanzmärkte sind einige der dynamischsten Einheiten, die existieren. Daher müssen quantitative Handelsmodelle so dynamisch sein, dass sie konsequent erfolgreich sind. Viele quantitative Händler entwickeln Modelle, die vorübergehend für die Marktbedingung profitabel sind, für die sie entwickelt wurden, aber sie scheitern letztlich, wenn sich die Marktbedingungen ändern. Quantitative Strategien - sind sie für Sie Quantitative Anlagestrategien haben sich zu sehr komplexen Werkzeugen mit dem Aufkommen moderner Computer entwickelt , Aber die Strategien Wurzeln gehen über 70 Jahre zurück. Sie werden in der Regel von hochgebildeten Teams geführt und verwenden proprietäre Modelle, um ihre Fähigkeit zu erhöhen, den Markt zu schlagen. Es gibt sogar off-the-shelf Programme, die Plug-and-Play für diejenigen sind, die Einfachheit suchen. Quant-Modelle funktionieren immer gut, wenn sie zurück getestet wurden, aber ihre tatsächlichen Anwendungen und Erfolgsquoten sind umstritten. Während sie in den Bullenmärkten gut funktionieren scheinen. Wenn die Märkte haywire gehen, werden Quant Strategien den gleichen Risiken ausgesetzt wie jede andere Strategie. Die Geschichte Einer der Gründungsväter der Studie der quantitativen Theorie, die auf die Finanzierung angewendet wurde, war Robert Merton. Man kann sich nur vorstellen, wie schwierig und zeitaufwendig der Prozess vor dem Gebrauch von Computern war. Andere Theorien in der Finanzierung entwickelten sich auch aus einigen der ersten quantitativen Studien, einschließlich der Basis der Portfolio-Diversifizierung auf der Grundlage der modernen Portfolio-Theorie. Die Verwendung von quantitativen Finanzen und Kalkül führte zu vielen anderen gemeinsamen Tools, darunter eine der bekanntesten, die Black-Scholes Option Preisformel, die nicht nur Investoren Preis Optionen und Strategien zu entwickeln, sondern hilft, die Märkte in Schach mit Liquidität zu halten. Bei der direkten Portfoliomanagement. Das Ziel ist wie jede andere Anlagestrategie. Um Wert, Alpha oder Überschuss zurückzugeben. Quants, wie die Entwickler genannt werden, komponieren komplexe mathematische Modelle, um Investitionsmöglichkeiten zu erkennen. Es gibt so viele Modelle da draußen wie Quants, die sie entwickeln, und alle behaupten, die besten zu sein. Eines der Quant-Investment-Strategien Best-Selling-Punkte ist, dass das Modell, und letztlich der Computer, macht die eigentliche Buysell Entscheidung, nicht ein Mensch. Dies neigt dazu, jede emotionale Reaktion zu entfernen, die eine Person beim Kauf oder Verkauf von Investitionen erleben kann. Quant-Strategien werden nun in der Investitionsgemeinschaft akzeptiert und werden durch Investmentfonds, Hedgefonds und institutionelle Investoren geführt. Sie gehen in der Regel durch den Namen Alpha-Generatoren. Oder alpha gens Hinter dem Vorhang Wie im Zauberer von Oz ist jemand hinter dem Vorhang, der den Prozess antreibt. Wie bei jedem Modell ist es nur so gut wie der Mensch, der das Programm entwickelt. Zwar gibt es keine spezifische Anforderung, um ein Quant zu werden, die meisten Firmen, die Quant-Modelle betreiben, kombinieren die Fähigkeiten von Investment-Analysten, Statistiker und die Programmierer, die den Prozess in die Computer kodieren. Aufgrund der komplexen Natur der mathematischen und statistischen Modelle, ihre gemeinsame zu sehen, Anmeldeinformationen wie Graduate Grad und Doktoranden in Finanzen, Wirtschaft, Mathematik und Ingenieurwesen zu sehen. Historisch gesehen arbeiteten diese Teammitglieder in den Backoffices. Aber da Quellmodelle immer häufiger wurden, geht das Backoffice zum Frontbüro. Vorteile von Quant-Strategien Während die allgemeine Erfolgsquote umstritten ist, ist der Grund, warum einige Quant-Strategien funktionieren, dass sie auf Disziplin basieren. Wenn das Modell richtig ist, hält die Disziplin die Strategie, mit Blitzschnellcomputern zu arbeiten, um Ineffizienzen in den Märkten auf der Grundlage quantitativer Daten auszunutzen. Die Modelle selbst können auf so wenig wie einige Verhältnisse wie PE basieren. Schulden auf Eigenkapital und Ergebniswachstum oder Tausende von Inputs zur gleichen Zeit zusammenarbeiten. Erfolgreiche Strategien können sich in Trends in ihren frühen Stadien abholen, da die Computer ständig Szenarien laufen, um Ineffizienzen zu lokalisieren, bevor andere es tun. Die Modelle sind in der Lage, eine sehr große Gruppe von Investitionen gleichzeitig zu analysieren, wo der traditionelle Analytiker nur einige auf einmal betrachten kann. Der Screening-Prozess kann das Universum nach Klassenstufen wie 1-5 oder A-F je nach Modell bewerten. Dies macht den eigentlichen Handelsprozess sehr einfach, indem er in die hoch bewerteten Investitionen investiert und die niedrig bewerteten verkauft. Quant-Modelle eröffnen auch Variationen von Strategien wie Long, Short und Longshort. Erfolgreiche Quant-Fonds halten die Risikokontrolle aufgrund der Art ihrer Modelle im Blick. Die meisten Strategien beginnen mit einem Universum oder Benchmark und nutzen Sektor und Industrie Gewichtungen in ihren Modellen. Damit können die Mittel die Diversifikation bis zu einem gewissen Grad kontrollieren, ohne das Modell selbst zu beeinträchtigen. Quant-Fonds laufen in der Regel auf einer niedrigeren Kostenbasis, weil sie nicht so viele traditionelle Analytiker und Portfoliomanager brauchen, um sie zu führen. Nachteile von Quant Strategies Es gibt Gründe, warum so viele Investoren nicht vollständig umarmen das Konzept der Vermietung einer Black Box laufen ihre Investitionen. Für alle erfolgreichen quant Fonds da draußen, so viele scheinen nicht erfolgreich zu sein. Leider für die Quants Reputation, wenn sie scheitern, sie scheitern große Zeit. Long-Term Capital Management war eines der bekanntesten Quoten-Hedge-Fonds, wie es von einigen der angesehensten akademischen Führer und zwei Nobel Memorial Preisträger Ökonomen Myron S. Scholes und Robert C. Merton geführt wurde. In den 1990er Jahren erzielte ihr Team überdurchschnittliche Renditen und zog Kapital von allen Investoren an. Sie waren berühmt dafür, dass sie nicht nur Ineffizienzen ausnutzen, sondern auch einen leichten Zugang zu Kapital nutzen, um enorme gehebelte Wetten auf Marktanweisungen zu schaffen. Die disziplinierte Natur ihrer Strategie schuf tatsächlich die Schwäche, die zu ihrem Zusammenbruch führte. Langfristiges Kapitalmanagement wurde im Frühjahr 2000 liquidiert und aufgelöst. Seine Modelle enthielten nicht die Möglichkeit, dass die russische Regierung auf einige ihrer eigenen Schulden verstoßen könnte. Diese ein Ereignis ausgelöst Ereignisse und eine Kettenreaktion vergrößert durch Leverage-verursachte Chaos. LTCM war so stark mit anderen Investitionsvorgängen beschäftigt, dass sein Zusammenbruch die Weltmärkte beeinflusste und dramatische Ereignisse auslöste. Auf lange Sicht trat die Federal Reserve ein, um zu helfen, und andere Banken und Investmentfonds unterstützten LTCM, um weitere Schäden zu vermeiden. Dies ist einer der Gründe, warum quant Fonds fehlschlagen können, da sie auf historischen Ereignissen basieren, die keine zukünftigen Ereignisse beinhalten können. Während ein starkes Quant-Team ständig neue Aspekte der Modelle hinzufügt, um zukünftige Ereignisse vorherzusagen, ist es unmöglich, die Zukunft jedes Mal vorherzusagen. Quant-Fonds können auch überwältigt werden, wenn die Wirtschaft und die Märkte eine überdurchschnittliche Volatilität erfahren. Die Kauf - und Verkaufssignale können so schnell kommen, dass der hohe Umsatz hohe Provisionen und steuerpflichtige Ereignisse schaffen kann. Quant-Fonds können auch eine Gefahr darstellen, wenn sie als Bärensicherheit vermarktet werden oder auf kurzen Strategien basieren. Vorhersage von Abschwüngen. Mit Derivaten und Kombination von Hebelwirkung kann gefährlich sein. Eine falsche Wendung kann zu Implosionen führen, die oft die Neuigkeiten machen. Die Bottom Line Quantitative Anlagestrategien haben sich von Backoffice Black Boxen zu Mainstream Investment Tools entwickelt. Sie sind entworfen, um die besten Köpfe in der Wirtschaft und die schnellsten Computer zu nutzen, um Ineffizienzen zu nutzen und nutzen Hebel, um Marktwetten zu machen. Sie können sehr erfolgreich sein, wenn die Modelle alle richtigen Eingaben enthalten haben und sind flink genug, um abnorme Marktereignisse vorherzusagen. Auf der Flip-Seite, während Quant-Fonds rigoros zurück getestet werden, bis sie arbeiten, ihre Schwäche ist, dass sie sich auf historische Daten für ihren Erfolg verlassen. Während die Quant-Style-Investition ihren Platz auf dem Markt hat, ist es wichtig, sich ihrer Mängel und Risiken bewusst zu sein. Im Einklang mit Diversifizierungsstrategien sein. Es ist eine gute Idee, Quant-Strategien als Investitionsstil zu behandeln und mit traditionellen Strategien zu kombinieren, um eine ordnungsgemäße Diversifizierung zu erreichen. Eine ökonomische Theorie der Gesamtausgaben in der Wirtschaft und ihre Auswirkungen auf die Produktion und Inflation. Keynesianische Ökonomie wurde entwickelt. Ein Bestand eines Vermögenswerts in einem Portfolio. Eine Portfolioinvestition erfolgt mit der Erwartung, eine Rendite zu erzielen. Dies. Ein von Jack Treynor entwickeltes Verhältnis, das die Erträge übertrifft, die über das hinausgekommen sind, was im risikolosen verdient werden könnte. Der Rückkauf ausstehender Aktien (Rückkauf) durch eine Gesellschaft, um die Anzahl der Aktien auf dem Markt zu reduzieren. Firmen. Eine Steuererstattung ist eine Erstattung für Steuern, die an eine Einzelperson oder einen Haushalt gezahlt werden, wenn die tatsächliche Steuerpflicht weniger als der Betrag ist. Der monetäre Wert aller fertiggestellten Waren und Dienstleistungen, die innerhalb eines Landes erstellt wurden, grenzt in einer bestimmten Zeitspanne. Wie man algorithmische Handelsstrategien identifiziert In diesem Artikel möchte ich Ihnen die Methoden vorstellen, mit denen ich selbst profitable algorithmische Handelsstrategien identifiziere. Unser Ziel ist es heute, detailliert zu verstehen, wie man solche Systeme findet, auswertet und auswählt. Ill erklären, wie Identifizierungsstrategien so viel über persönliche Präferenz ist, wie es um Strategie-Performance geht, wie man die Art und Menge der historischen Daten für die Prüfung, wie man leichte Bewertung einer Handelsstrategie und schließlich, wie man auf die Backtesting-Phase und Strategie Umsetzung zu bestimmen . Identifizieren Sie Ihre eigenen persönlichen Vorlieben für den Handel Um ein erfolgreicher Trader zu sein - entweder diskretional oder algorithmisch - ist es notwendig, sich einige ehrliche Fragen zu stellen. Trading bietet Ihnen die Möglichkeit, Geld zu verlieren mit einer alarmierenden Rate, so ist es notwendig, wissen Sie sich so viel wie es notwendig ist, um Ihre gewählte Strategie zu verstehen. Ich würde sagen, die wichtigste Überlegung im Handel ist sich Ihrer eigenen Persönlichkeit bewusst. Handel, und algorithmischen Handel im Besonderen erfordert ein erhebliches Maß an Disziplin, Geduld und emotionale Loslösung. Da Sie einen Algorithmus durchführen lassen Sie Ihren Handel für Sie, ist es notwendig, gelöst werden, um nicht mit der Strategie zu stören, wenn es ausgeführt wird. Dies kann sehr schwierig sein, vor allem in Zeiten der erweiterten Drawdown. Allerdings können viele Strategien, die sich in einem Backtest als sehr profitabel erwiesen haben, durch einfache Interferenz zerstört werden. Verstehen Sie, dass, wenn Sie in die Welt des algorithmischen Handels eintreten wollen, Sie emotional getestet werden und dass, um erfolgreich zu sein, es notwendig ist, diese Schwierigkeiten zu durcharbeiten. Die nächste Betrachtung ist eine der Zeit. Haben Sie einen Vollzeit-Job Haben Sie Teilzeit arbeiten Arbeiten Sie von zu Hause aus oder haben eine lange pendeln jeden Tag Diese Fragen werden dazu beitragen, die Häufigkeit der Strategie, die Sie suchen sollten. Für diejenigen von Ihnen in Vollzeitbeschäftigung kann eine Intraday-Futures-Strategie nicht angemessen sein (zumindest bis es vollständig automatisiert ist). Ihre zeitlichen Einschränkungen werden auch die Methodik der Strategie diktieren. Wenn Ihre Strategie häufig gehandelt wird und auf teure News-Feeds (wie ein Bloomberg-Terminal) angewiesen ist, müssen Sie eindeutig realistisch sein über Ihre Fähigkeit, diese erfolgreich im Büro zu führen. Für diejenigen von Ihnen mit viel Zeit oder den Fähigkeiten Um Ihre Strategie zu automatisieren, können Sie in eine technischere Hochfrequenz-Handel (HFT) Strategie zu suchen. Mein Glaube ist, dass es notwendig ist, kontinuierliche Forschung in Ihre Handelsstrategien durchzuführen, um ein durchweg profitable Portfolio zu erhalten. Wenige Strategien bleiben unter dem Radar für immer. Daher wird ein erheblicher Teil der Zeit, die dem Handel zugewiesen wird, die laufende Forschung durchführen. Fragen Sie sich, ob Sie bereit sind, dies zu tun, da es der Unterschied zwischen einer starken Rentabilität oder einem langsamen Rückgang der Verluste sein kann. Sie müssen auch Ihr Handelskapital betrachten. Der allgemein akzeptierte ideale Mindestbetrag für eine quantitative Strategie beträgt 50.000 USD (ca. 35.000 für uns in Großbritannien). Wenn ich wieder anfange, würde ich mit einem größeren Betrag beginnen, vermutlich näher 100.000 USD (ca. 70.000). Dies liegt daran, dass die Transaktionskosten für Mid - und High-Frequenz-Strategien extrem teuer sein können und es notwendig ist, genügend Kapital zu haben, um sie in Zeiten des Drawdowns aufzunehmen. Wenn Sie erwägen, mit weniger als 10.000 USD beginnen, dann müssen Sie sich auf Niederfrequenz-Strategien beschränken, Handel mit einem oder zwei Vermögenswerte, wie Transaktionskosten schnell in Ihre Renditen zu essen. Interactive Brokers, die einer der freundlichsten Broker für diejenigen mit Programmierkenntnissen ist, aufgrund seiner API, hat ein Retail-Konto mindestens 10.000 USD. Programmierfertigkeit ist ein wichtiger Faktor bei der Erstellung einer automatisierten algorithmischen Handelsstrategie. Kenntnisse in einer Programmiersprache wie C, Java, C, Python oder R ermöglichen es Ihnen, die End-to-End-Datenspeicherung, Backtest-Engine und Ausführungs-System selbst zu erstellen. Dies hat eine Reihe von Vorteilen, deren Chef die Fähigkeit ist, sich ganz auf alle Aspekte der Handelsinfrastruktur zu verlassen. Es erlaubt Ihnen auch, die höheren Frequenzstrategien zu erforschen, da Sie die volle Kontrolle über Ihren Technologie-Stack haben werden. Während dies bedeutet, dass Sie Ihre eigene Software testen und Bugs beseitigen können, bedeutet dies auch mehr Zeit für die Codierung der Infrastruktur und weniger bei der Umsetzung von Strategien, zumindest im früheren Teil Ihrer Algo Trading Karriere. Sie können feststellen, dass Sie bequem handeln in Excel oder MATLAB und können die Entwicklung von anderen Komponenten auslagern. Ich würde das aber nicht empfehlen, besonders für diejenigen, die mit hoher Frequenz handeln. Sie müssen sich fragen, was Sie hoffen, durch algorithmischen Handel zu erreichen. Sind Sie an einem regelmäßigen Einkommen interessiert, womit Sie hoffen, Einnahmen aus Ihrem Handelskonto zu ziehen, oder sind Sie an einem langfristigen Kapitalgewinn interessiert und können sich leisten, ohne die Notwendigkeit, Drawdown-Fonds zu handeln. Die Einkommensabhängigkeit wird die Häufigkeit Ihrer Strategie diktieren . Mehr regelmäßige Einkommensabhebungen erfordern eine höhere Frequenzhandelsstrategie mit geringerer Volatilität (d. h. ein höheres Sharpe-Verhältnis). Langfristige Händler können sich eine sedierte Handelshäufigkeit leisten. Schließlich wird nicht durch die Vorstellung, extrem reichen in einer kurzen Zeitspanne täuschen Algo Handel ist nicht ein get-reich-schnelles Schema - wenn überhaupt, kann es ein mut-arm-schnelles System sein. Es dauert erhebliche Disziplin, Forschung, Sorgfalt und Geduld, um bei algorithmischen Handel erfolgreich zu sein. Es kann Monate dauern, wenn nicht Jahre, um eine gleichbleibende Rentabilität zu erzielen. Sourcing Algorithmic Trading Ideas Trotz gemeinsamer Wahrnehmungen im Gegenteil, ist es eigentlich ganz einfach, profitable Handelsstrategien im öffentlichen Bereich zu finden. Niemals haben Handelsideen mehr verfügbar als heute. Akademische Finanzjournale, Pre-Print-Server, Trading-Blogs, Trading-Foren, wöchentliche Trading-Magazine und Fachtexte bieten Tausende von Trading-Strategien, mit denen Sie Ihre Ideen auf. Unser Ziel als quantitative Handel Forscher ist es, eine Strategie-Pipeline, die uns mit einem Strom von laufenden Handel Ideen zu etablieren. Idealerweise wollen wir einen methodischen Ansatz für die Beschaffung, Bewertung und Umsetzung von Strategien schaffen, auf die wir stoßen. Die Ziele der Pipeline sind es, eine konsequente Menge an neuen Ideen zu generieren und uns einen Rahmen für die Ablehnung der Mehrheit dieser Ideen mit dem Minimum an emotionaler Betrachtung zu geben. Wir müssen sehr sorgfältig darauf achten, dass kognitive Vorurteile unsere Entscheidungsfindungsmethode nicht beeinflussen. Das könnte so einfach sein wie eine Vorliebe für eine Assetklasse über eine andere (Gold und andere Edelmetalle in den Sinn kommen), weil sie als exotisch wahrgenommen werden. Unser Ziel ist es immer, konsequent profitable Strategien zu finden, mit positiver Erwartung. Die Wahl der Anlageklasse sollte auf anderen Überlegungen beruhen, wie z. B. Handelskapitalbeschränkungen, Maklergebühren und Leverage-Fähigkeiten. Wenn Sie mit dem Konzept einer Handelsstrategie völlig vertraut sind, dann ist der erste Ort, um zu sehen, mit etablierten Lehrbüchern. Klassische Texte bieten eine breite Palette von einfacheren, einfacheren Ideen, mit denen Sie sich mit dem quantitativen Handel vertraut machen können. Hier ist eine Auswahl, die ich für diejenigen, die neu sind, um quantitativen Handel, die allmählich anspruchsvoller werden, wie Sie durch die Liste arbeiten: Für eine längere Liste der quantitativen Trading-Bücher, besuchen Sie bitte die QuantStart Leseliste. Der nächste Ort, um anspruchsvollere Strategien zu finden, ist mit Handelsforen und Handelsblogs. Allerdings ist ein Hinweis der Vorsicht: Viele Trading-Blogs verlassen sich auf das Konzept der technischen Analyse. Die technische Analyse beinhaltet die Verwendung von Basisindikatoren und Verhaltenspsychologie, um Trends oder Umkehrmuster in den Vermögenspreisen festzulegen. Trotz der äußerst beliebten im gesamten Handelsplatz, ist die technische Analyse als etwas ineffektiv in der quantitativen Finanz-Community. Manche haben vorgeschlagen, dass es nicht besser ist, ein Horoskop zu lesen oder Teeblätter in Bezug auf seine prädiktive Kraft zu studieren. In Wirklichkeit gibt es erfolgreiche Personen, die technische Analyse anwenden. Doch als Quants mit einer anspruchsvolleren mathematischen und statistischen Toolbox zur Verfügung stehen, können wir die Effektivität solcher TA-basierten Strategien leicht auswerten und datenbasierte Entscheidungen treffen und nicht auf emotionale Überlegungen oder Vorurteile stützen. Hier ist eine Liste von gut respektierten algorithmischen Trading-Blogs und Foren: Sobald Sie einige Erfahrung bei der Bewertung einfacher Strategien gehabt haben, ist es Zeit, die anspruchsvolleren akademischen Angebote zu betrachten. Einige akademische Zeitschriften werden schwer zugänglich sein, ohne hohe Abonnements oder einmalige Kosten. Wenn Sie ein Mitglied oder ein Absolvent einer Universität sind, sollten Sie in der Lage sein, Zugang zu einigen dieser finanziellen Zeitschriften zu erhalten. Andernfalls können Sie sich auf Pre-Print-Servern schauen. Die Internet-Repositories der späten Entwürfe von akademischen Papieren, die sich in Peer-Review. Da wir uns nur für Strategien interessieren, die wir erfolgreich replizieren, backtest und Profitabilität erhalten kann, ist für uns ein Peer-Review von geringerer Bedeutung. Der wichtigste Nachteil der akademischen Strategien ist, dass sie oft entweder veraltet sein können, erfordern obskure und teure historische Daten, den Handel mit illiquiden Vermögensklassen oder nicht in Gebühren, Schlupf oder Spread. Es kann auch unklar sein, ob die Handelsstrategie mit Marktaufträgen, Limit Orders oder ob es Stop-Stress etc. enthält. So ist es absolut notwendig, die Strategie selbst so gut wie möglich zu replizieren, backtest es und fügen Sie realistische Transaktion hinzu Kosten, die so viele Aspekte der Asset-Klassen enthalten, die Sie handeln möchten. Hier ist eine Liste der beliebtesten Pre-Print-Server und Finanz-Zeitschriften, die Sie Ideen aus: Was ist mit der Bildung Ihrer eigenen quantitativen Strategien Dies erfordert in der Regel ( Aber nicht beschränkt auf) Fachwissen in einer oder mehreren der folgenden Kategorien: Marktmikrostruktur - Insbesondere für höhere Frequenzstrategien kann man Marktmikrostruktur nutzen. D. h. das Verständnis der Auftragsbuchdynamik, um die Rentabilität zu erzielen. Verschiedene Märkte haben verschiedene technologische Einschränkungen, Vorschriften, Marktteilnehmer und Zwänge, die alle offen für die Ausbeutung über spezifische Strategien sind. Dies ist ein sehr anspruchsvoller Bereich und Einzelhandels-Praktiker finden es schwer, in diesem Raum wettbewerbsfähig zu sein, zumal der Wettbewerb große, gut kapitalisierte quantitative Hedgefonds mit starken technologischen Fähigkeiten umfasst. Fondsstruktur - Pooled Investmentfonds wie Pensionskassen, Private Investment Partnerschaften (Hedgefonds), Rohstoffhandelsberater und Investmentfonds sind sowohl durch eine starke Regulierung als auch durch ihre großen Kapitalrücklagen eingeschränkt. So können gewisse konsequente Verhaltensweisen mit denen, die mehr flink sind, ausgenutzt werden. Zum Beispiel sind große Fonds aufgrund ihrer Größe Kapazitätsengpässen unterworfen. Wenn sie also eine Menge von Wertpapieren schnell entladen (verkaufen) müssen, müssen sie sie umtauschen, um den Markt zu vermeiden. Ausgefeilte Algorithmen können dies nutzen, und andere Idiosynkrasien, in einem allgemeinen Prozess als Fondsstruktur Arbitrage bekannt. Machine learningartificial Intelligence - Maschinelle Lernalgorithmen sind in den letzten Jahren in den Finanzmärkten häufiger geworden. Klassifikatoren (wie z. B. Naive-Bayes et al.) Nichtlineare Funktionsvergleicher (neuronale Netze) und Optimierungsroutinen (genetische Algorithmen) wurden alle zur Vorhersage von Vermögenspfaden oder zur Optimierung von Handelsstrategien verwendet. Wenn Sie einen Hintergrund in diesem Bereich haben, können Sie einen Einblick darüber haben, wie bestimmte Algorithmen auf bestimmte Märkte angewendet werden könnten. Es gibt natürlich viele andere Bereiche für Quants zu untersuchen. Nun diskutieren, wie man mit kundenspezifischen Strategien im Detail in einem späteren Artikel kommen. Indem Sie diese Quellen auf einer wöchentlichen oder sogar täglichen Basis weiter überwachen, setzen Sie sich auf eine konsistente Liste von Strategien aus einer Vielzahl von Quellen. Der nächste Schritt ist, zu bestimmen, wie man eine große Teilmenge dieser Strategien ablehnt, um zu minimieren, um Ihre Zeit zu verschwenden und Backtesting Ressourcen auf Strategien, die wahrscheinlich unrentabel sind. Auswertung von Handelsstrategien Die erste und wohl offensichtlichste Betrachtung ist, ob Sie die Strategie tatsächlich verstehen. Würden Sie in der Lage sein, die Strategie prägnant zu erklären, oder verlangt es eine Reihe von Vorbehalten und endlosen Parameterlisten. Darüber hinaus hat die Strategie eine gute, solide Basis in der Realität. Zum Beispiel könnten Sie auf eine Verhaltensgrundlage oder eine Fondsstrukturbeschränkung hinweisen Könnte das Muster veranlassen, das du ausprobieren möchtest Wäre diese Einschränkung auf einen Regimewechsel zurückzuführen, wie zB eine dramatische Regulierungsumfeldstörung Ist die Strategie auf komplexe statistische oder mathematische Regeln angewiesen Ist es für jede finanzielle Zeitreihe oder gilt Es ist spezifisch für die Asset-Klasse, dass es behauptet wird, profitabel zu sein Sie sollten ständig über diese Faktoren bei der Bewertung neuer Trading-Methoden denken, sonst können Sie verschwenden eine beträchtliche Menge an Zeit versuchen, Backtest und optimieren unrentable Strategien. Sobald Sie festgestellt haben, dass Sie die Grundprinzipien der Strategie verstehen, müssen Sie entscheiden, ob es mit Ihrem vorgenannten Persönlichkeitsprofil passt. Dies ist nicht so vage eine Überlegung, wie es klingt Strategien unterscheiden sich erheblich in ihren Leistungsmerkmalen. Es gibt bestimmte Persönlichkeitstypen, die mehr bedeutende Perioden des Drawdowns behandeln können oder bereit sind, ein größeres Risiko für eine größere Rendite zu akzeptieren. Trotz der Tatsache, dass wir als Quants versuchen und so viel kognitive Vorurteile wie möglich zu beseitigen und in der Lage sein werden, eine Strategie leidenschaftslos zu bewerten, werden die Bias immer kriechen. So brauchen wir ein konsequentes, emotionales Mittel, um die Performance von Strategien zu beurteilen . Hier ist die Liste der Kriterien, die ich beurteile, eine potenzielle neue Strategie durch: Methodik - Ist die Strategie Momentum basiert, mittler-reverting, marktneutral, direktional Ist die Strategie auf anspruchsvolle (oder komplexe) statistische oder maschinelle Lerntechniken, die hart sind, Zu verstehen und zu erfordern ein PhD in Statistik zu erfassen Haben diese Techniken eine signifikante Menge von Parametern, die zu Optimierung Bias führen könnte, ist die Strategie wahrscheinlich einem Regimewechsel standhalten (dh potenzielle neue Regulierung der Finanzmärkte) Sharpe Ratio - Die Sharpe Ratio Heuristisch charakterisiert das Rewardrisk-Verhältnis der Strategie. Es quantifiziert, wie viel Rendite Sie für die Volatilität erreichen können, die durch die Eigenkapitalkurve ausgehalten wird. Natürlich müssen wir die Periode und die Häufigkeit bestimmen, die diese Rückkehr und die Volatilität (d. h. Standardabweichung) gemessen werden. Eine höhere Frequenzstrategie erfordert eine größere Abtastrate der Standardabweichung, aber eine kürzere Gesamtzeitdauer der Messung, zum Beispiel. Hebelwirkung - Benötigt die Strategie eine beträchtliche Hebelwirkung, um rentabel zu sein Ist die Strategie die Verwendung von Leveraged Derivat-Verträgen (Futures, Optionen, Swaps) erforderlich, um eine Rendite zu erzielen. Diese Leveraged-Verträge können eine schwere Volatilität aufweisen und somit leicht führen Margin Anrufe. Haben Sie das Handelskapital und das Temperament für diese Volatilität Häufigkeit - Die Häufigkeit der Strategie ist eng mit Ihrem Technologie-Stack (und damit technologischem Know-how) verbunden, der Sharpe-Ratio und dem Gesamtbetrag der Transaktionskosten. Alle anderen Fragen, höhere Frequenzstrategien erfordern mehr Kapital, sind anspruchsvoller und schwerer zu implementieren. Allerdings, vorausgesetzt, Ihr Backtesting-Engine ist anspruchsvoll und bug-frei, haben sie oft weit höhere Sharpe-Ratios. Volatilität - Volatilität ist stark auf das Risiko der Strategie bezogen. Das Sharpe-Verhältnis charakterisiert dies. Eine höhere Volatilität der zugrunde liegenden Anlageklassen, wenn sie nicht gesichert ist, führt häufig zu einer höheren Volatilität in der Eigenkapitalkurve und damit zu kleineren Sharpe-Verhältnissen. Ich gehe natürlich davon aus, dass die positive Volatilität etwa der negativen Volatilität entspricht. Einige Strategien können eine größere Abwärtsvolatilität aufweisen. Sie müssen sich dieser Attribute bewusst sein. WinLoss, Average ProfitLoss - Strategien unterscheiden sich in ihrem Winloss und den durchschnittlichen Gewinncharakteristiken. Man kann eine sehr profitable Strategie haben, auch wenn die Anzahl der verlorenen Trades die Anzahl der Siegesserie übersteigt. Momentum-Strategien neigen dazu, dieses Muster zu haben, da sie sich auf eine kleine Anzahl von großen Hits verlassen, um rentabel zu sein. Mittlere Reversionsstrategien neigen dazu, gegensätzliche Profile zu haben, wo mehr der Trades Gewinner sind, aber die verlorenen Trades können ziemlich schwer sein. Maximaler Drawdown - Der maximale Drawdown ist der größte Gesamt-Peak-to-Trog-Prozentsatz, der auf der Eigenkapitalkurve der Strategie liegt. Momentum Strategien sind bekannt, um von Perioden von erweiterten Drawdowns (aufgrund einer Reihe von vielen inkrementellen verlieren Trades) zu leiden. Viele Händler werden in Zeiten des ausgedehnten Drawdowns aufgeben, auch wenn historische Tests vorgeschlagen haben, dass dies geschäftlich wie üblich für die Strategie ist. Sie müssen bestimmen, welcher Prozentsatz des Drawdowns (und über welchen Zeitraum) Sie akzeptieren können, bevor Sie aufhören, Ihre Strategie zu handeln. Das ist eine sehr persönliche Entscheidung und muss daher sorgfältig betrachtet werden. CapacityLiquidität - Auf der Einzelhandelsstufe, wenn Sie nicht in einem sehr illiquiden Instrument handeln (wie ein Small-Cap-Lager), müssen Sie sich nicht mit der Strategiekapazität beschäftigen. Die Kapazitäten bestimmen die Skalierbarkeit der Strategie für weiteres Kapital. Viele der größeren Hedge-Fonds leiden unter erheblichen Kapazitätsproblemen, da ihre Strategien die Kapitalallokation erhöhen. Parameter - Bestimmte Strategien (vor allem die in der maschinellen Lerngemeinschaft gefundenen) erfordern eine große Menge an Parametern. Jeder zusätzliche Parameter, den eine Strategie erfordert, lässt es anfälliger für die Optimierungsvorspannung (auch als Kurvenanpassung bekannt). Sie sollten versuchen, Strategien mit möglichst wenigen Parametern zu zielen oder sicherzustellen, dass Sie genügend Datenmengen haben, mit denen Sie Ihre Strategien testen können. Benchmark - Fast alle Strategien (sofern sie nicht als absolute Rendite gekennzeichnet sind) werden mit einer Performance-Benchmark bewertet. Der Benchmark ist in der Regel ein Index, der eine große Stichprobe der zugrunde liegenden Vermögensklasse kennzeichnet, die die Strategie abwickelt. Wenn die Strategie Großkappen-US-Aktien handelt, wäre der SP500 ein natürlicher Maßstab für die Messung Ihrer Strategie. Sie hören die Begriffe alpha und beta, angewendet auf Strategien dieser Art. Wir werden diese Koeffizienten in späteren Artikeln ausführlich besprechen. Beachten Sie, dass wir die tatsächlichen Renditen der Strategie nicht besprochen haben. Warum ist dies in Isolation, die Renditen tatsächlich liefern uns mit begrenzten Informationen über die Wirksamkeit der Strategie. Sie geben Ihnen keinen Einblick in Hebelwirkung, Volatilität, Benchmarks oder Kapitalanforderungen. So werden Strategien nur selten auf ihre Rückkehr beurteilt. Berücksichtigen Sie immer die Risikoattribute einer Strategie, bevor Sie die Renditen betrachten. In diesem Stadium werden viele der Strategien, die aus deiner Pipeline gefunden werden, aus der Hand abgelehnt, da sie ihre Kapitalanforderungen nicht erfüllen, die Einschränkungen, die maximale Drawdown-Toleranz oder die Volatilitätspräferenzen nutzen. Die verbleibenden Strategien können nun für das Backtesting berücksichtigt werden. Doch bevor dies möglich ist, ist es notwendig, eine abschließende Ablehnungskriterien zu berücksichtigen - die der verfügbaren historischen Daten, um diese Strategien zu testen. Erwerb historischer Daten Heutzutage ist die Breite der technischen Anforderungen über die Assetklassen für die historische Datenspeicherung erheblich. Um wettbewerbsfähig zu bleiben, investieren sowohl die Buy-Side - (Fonds-) als auch die Sell-Side - (Investmentbanken) stark in ihre technische Infrastruktur. Es ist unerlässlich, seine Bedeutung zu berücksichtigen. Insbesondere interessieren wir uns für Aktualität, Genauigkeit und Speicheranforderungen. Ich werde nun die Grundlagen des Erhaltens historischer Daten skizzieren und wie es zu speichern ist. Leider ist das ein sehr tiefes und technisches Thema, also werde ich nicht in der Lage sein, alles in diesem Artikel zu sagen. Allerdings werde ich in der Zukunft viel mehr darüber schreiben, da meine bisherige Branchenerfahrung in der Finanzbranche vor allem mit der Erfassung, Speicherung und dem Zugriff von Finanzdaten befasst war. Im vorigen Abschnitt hatten wir eine Strategie-Pipeline eingerichtet, die es uns erlaubt, bestimmte Strategien auf der Grundlage unserer eigenen persönlichen Ablehnungskriterien abzulehnen. In diesem Abschnitt werden wir weitere Strategien filtern, die auf unseren eigenen Vorlieben basieren, um historische Daten zu erhalten. Die Hauptüberlegungen (vor allem auf der Ebene des Einzelhandels) sind die Kosten der Daten, die Speicheranforderungen und Ihr Fachwissen. Wir müssen auch die verschiedenen Arten von verfügbaren Daten und die verschiedenen Überlegungen besprechen, die jede Art von Daten auf uns auferlegen wird. Beginnen wir mit der Diskussion über die verfügbaren Daten und die wichtigsten Themen, die wir uns vorstellen müssen: Grunddaten - Hierzu gehören Daten über makroökonomische Trends wie Zinssätze, Inflationszahlen, Kapitalmaßnahmen (Dividenden, Aktiensplits), SEC-Einreichungen , Unternehmensabschlüsse, Ertragszahlen, Ernteberichte, meteorologische Daten etc. Diese Daten werden häufig verwendet, um Unternehmen oder andere Vermögenswerte grundsätzlich zu bewerten, dh über einige Mittel der erwarteten zukünftigen Cashflows. Es enthält keine Aktienkursreihen. Einige grundlegende Daten sind frei von Regierungs-Websites verfügbar. Andere langfristige historische Grunddaten können extrem teuer sein. Speicheranforderungen sind oft nicht besonders groß, es sei denn, Tausende von Unternehmen werden sofort untersucht. News-Daten - News-Daten sind oft qualitativ in der Natur. Es besteht aus Artikeln, Blog-Posts, Microblog-Posts (Tweets) und Editorial. Maschinelle Lerntechniken wie Klassifikatoren werden oft verwendet, um Stimmung zu interpretieren. Diese Daten sind auch oft frei verfügbar oder billig, über Abonnement für Medien. Die neueren NoSQL-Dokumentenspeicher-Datenbanken sind so ausgelegt, dass diese Art von unstrukturierten, qualitativen Daten gespeichert werden. Asset Price Data - Dies ist die traditionelle Datendomäne der quant. Es besteht aus Zeitreihen von Vermögenspreisen. Aktien (Aktien), festverzinsliche Produkte (Anleihen), Rohstoffe und Devisenpreise sitzen alle in dieser Klasse. Tägliche historische Daten sind oft einfach, um für die einfacheren Assetklassen wie Aktien zu erhalten. Sobald jedoch Genauigkeit und Sauberkeit eingeschlossen sind und statistische Vorspannungen entfernt werden, können die Daten teuer werden. Darüber hinaus besitzen Zeitreihendaten oftmals erhebliche Speicheranforderungen, insbesondere wenn Intraday-Daten berücksichtigt werden. Finanzinstrumente - Aktien, Anleihen, Futures und die exotischeren Derivatoptionen haben sehr unterschiedliche Merkmale und Parameter. So gibt es keine Größe für alle Datenbankstrukturen, die sie aufnehmen können. Die Gestaltung und Umsetzung von Datenbankstrukturen für verschiedene Finanzinstrumente muss erheblich berücksichtigt werden. Wir werden die Situation ausführlich erörtern, wenn wir in zukünftigen Artikeln eine Wertpapier-Stammdatenbank erstellen. Häufigkeit - Je höher die Häufigkeit der Daten, desto größer die Kosten - und Speicheranforderungen. Für niederfrequente Strategien sind die täglichen Daten oft ausreichend. Für Hochfrequenz-Strategien, könnte es notwendig sein, Tick-Level-Daten und sogar historische Kopien von bestimmten Börsenhandel Buch Daten zu erhalten. Die Implementierung eines Speichermotors für diese Art von Daten ist sehr technologisch intensiv und nur für Personen mit einem starken programmtechnischen Hintergrund geeignet. Benchmarks - Die oben beschriebenen Strategien werden oft mit einer Benchmark verglichen. Dies zeigt sich in der Regel als zusätzliche finanzielle Zeitreihe. Für Aktien ist dies oft eine nationale Aktien-Benchmark wie der SP500-Index (US) oder FTSE100 (UK). Für einen festverzinslichen Fonds ist es sinnvoll, sich gegen einen Korb von Anleihen oder festverzinslichen Produkten zu vergleichen. Der risikofreie Zinssatz (d. H. Angemessener Zinssatz) ist auch ein weiterer weithin akzeptierter Benchmark. Alle Asset-Class-Kategorien besitzen eine bevorzugte Benchmark, so dass es notwendig sein muss, dies auf der Grundlage Ihrer speziellen Strategie zu erforschen, wenn Sie Interesse an Ihrer Strategie nach außen gewinnen möchten. Technologie - Die Technologie-Stacks hinter einem Finanzdatenspeicher sind komplex. Dieser Artikel kann nur die Oberfläche kratzen, was mit dem Aufbau eines verbunden ist. Allerdings konzentriert es sich um eine Datenbank-Engine, wie z. B. ein Relational Database Management System (RDBMS) wie MySQL, SQL Server, Oracle oder eine Document Storage Engine (d. h. NoSQL). Dies wird über einen Geschäftslogik-Anwendungscode zugegriffen, der die Datenbank abfragt und Zugriff auf externe Tools wie MATLAB, R oder Excel bietet. Oft ist diese Geschäftslogik in C, C, Java oder Python geschrieben. Sie müssen auch diese Daten irgendwo, entweder auf Ihrem eigenen Personal Computer oder remote über Internet-Server Host. Produkte wie Amazon Web Services haben dies in den letzten Jahren einfacher und billiger gemacht, aber es wird immer noch erhebliche technische Kompetenz erfordern, um in einer robusten Weise zu erreichen. Wie man sehen kann, muss man, sobald eine Strategie über die Pipeline identifiziert wurde, die Verfügbarkeit, die Kosten, die Komplexität und die Implementierungsdetails eines bestimmten Satzes historischer Daten bewerten. Sie können feststellen, dass es notwendig ist, eine Strategie abzulehnen, die ausschließlich auf historischen Datenbetrachtungen basiert. Dies ist ein großer Bereich und Teams von PhDs arbeiten bei großen Fonds, so dass die Preisgestaltung genau und zeitgemäß ist. Unterschätzen Sie nicht die Schwierigkeiten, ein robustes Rechenzentrum für Ihre Backtesting-Zwecke zu schaffen. Ich möchte jedoch sagen, dass viele Backtesting-Plattformen diese Daten automatisch für Sie bereitstellen können - zu einem Preis. So wird es viel von der Umsetzung Schmerzen weg von Ihnen zu nehmen, und Sie können sich ausschließlich auf Strategie Umsetzung und Optimierung konzentrieren. Werkzeuge wie TradeStation besitzen diese Fähigkeit. Allerdings ist meine persönliche Sicht, so weit wie möglich intern zu implementieren und zu vermeiden Outsourcing Teile des Stapels an Software-Anbieter. Ich bevorzuge höhere Frequenzstrategien aufgrund ihrer attraktiveren Sharpe-Ratios, aber sie sind oft eng mit dem Technologie-Stack verbunden, wo fortschrittliche Optimierung kritisch ist. Nun, da wir die Fragen der historischen Daten besprochen haben, ist es an der Zeit, unsere Strategien in einem Backtesting-Motor umzusetzen. Dies wird das Thema von anderen Artikeln sein, da es ein ebenso großes Diskussionsgebiet ist. Erste Schritte mit quantitativem TradingSmartQuant ist ein Finanzsoftware-Unternehmen, das eine end-to-End-Algo-Handelsinfrastruktur für quantitative Hedgefonds und institutionelle Handelsgruppen entwickelt. OpenQuant und seine nächste Generation, OpenQuant2014. SmartQuants aktuellen Flaggschiff-Produkt, ist eine Algorithmische und automatisierte Handelssystem (ATS) Entwicklungsplattform. OpenQuant verfügt über eine IDE (Integrated Development Environment), die Quants und Händlern mit einer industriellen Stärke Strategie Forschung, Entwicklung, Debugging, Backtesting, Simulation, Optimierung und Automatisierung bietet. QuantDesk ist eine komplette End-to-End-Lösung für einen Quant-Fonds jeder Größe. Es enthält OpenQuant IDE. QuantRouter (Algo-Ausführungs-Server mit Feed-Replikation, Konsolidierung, Aggregation und Smart Order Routing), QuantBase (Marktdatenserver mit Echtzeit-Feed-Capture und zentralisiertem Historical Data Management), QuantTrader (Produktions-Deployment-Engine für automatisierte Trading-Strategien mit OpenQuant) und QuantController . Eine Server-Anwendung, die den QuantDesk ergänzt, um eine effiziente Verwaltung von SmartQuants verteilte Handelsarchitektur zu ermöglichen. QuantWeb ist eine Cloud-Version von QuantDesk mit Webbrowser-Front-End. Registrieren und erhalten Sie ein kostenloses QuantWeb Demo-Konto. Der wesentliche Unterschied zwischen dem quantitativen und dem diskretionären Handelsstil ist der systematische Charakter des quantistischen Ansatzes. Während diskretionäre Händler wie Künstler sind, neigen Quants dazu, einen komplexen Produktionsprozess zu führen und benötigen daher eine industriell starke Infrastruktur, ohne die sie nicht die notwendige systematische Disziplin beibehalten können. Leider ist ein Start-up nicht von dieser Regel befreit. Aber glücklicherweise muss man nicht wirklich die ganze Fabrik von Grund auf bauen. Mit der SmartQuant Algo Trading-Infrastruktur können die aufstrebenden Manager sich auf ihr primäres Ziel konzentrieren, das ist die Entwicklung von Anlagestrategien und profitiert von einem verlässlichen Rahmen, um sie auf dem Markt umzusetzen und einzusetzen. Sicher, wir verbringen immer noch viel Zeit zum Experimentieren, Versuchen und Testen verschiedener Strategien. Wenn Sie eine gute Entwicklungsumgebung haben, können Sie diesen Schritt nicht unbedingt überspringen. Der wirkliche Vorteil eines gut gestalteten Rahmens besteht darin, die Zeit zwischen Test und Produktion auf ein Minimum zu reduzieren und in der skalierbaren Natur der Infrastruktur, die mit der Firma von der Verwaltung eines kleinen Seed-Kapitals zu wirklich institutionellen Ebenen wachsen kann. Mit einem solchen System können sich die aufstrebenden Manager auf einem ebenen Spielfeld fühlen, während sie auf dem gleichen Markt wie viel größere Konkurrenten handeln und die inhärenten Vorteile von agil und adaptiv realisieren können. Arthur M. Berd Gründer und CEO, General Quantitative, LLC Copyright 1997-2016 SmartQuant Ltd infosmartquant