Portfolio Otimização Negociação Estratégias

Estratégias de otimização e negociação de carteiras de energia Introdução A modelagem ótima das estratégias de negociação e de gerenciamento de carteiras de acordo com os objetivos de retorno de risco individuais é fundamental para o sucesso das empresas no comércio de energia e gás. Para atingir estes objectivos de uma forma prática e coerente, é indispensável recorrer a abordagens quantitativas poderosas. Nosso curso Otimização de portfólio de energia e estratégias de negociação irá fornecer-lhe o conhecimento necessário e experiência prática para configurar com êxito e aplicar esses conceitos em sua organização. O curso é apresentado em conjunto com o nosso parceiro KYOS. Grupos-alvo Este curso destina-se a uma vasta gama de profissionais activos no sector energético e financeiro, incluindo gestores, comerciantes, criadores de activos, gestores de carteira e risco e reguladores. Qualquer outra pessoa que deseje desenvolver uma compreensão prática da otimização de carteira de energia e estratégias de negociação baseadas nas melhores práticas beneficiará do curso. O curso é apresentado em um dia, dividido em sessões de manhã e à tarde. Ao longo da sessão da manhã, os participantes irão adquirir conhecimentos sobre as características dos mercados europeus de energia e gás. Esta sessão abrange as estruturas de mercado relevantes e as questões de liquidez de mercado, bem como as estruturas de carteira ao longo da cadeia de abastecimento e as exposições a riscos prevalecentes. Além disso, são introduzidos objectivos importantes na gestão dos riscos e na redução dos riscos. Isto inclui o alinhamento da tolerância individual ao risco ea estratégia de negócio, bem como a alocação de capital de risco ea limitação de riscos. Finalmente, os participantes aprenderão sobre as características e mecanismos das estruturas contratuais físicas e financeiras específicas necessárias para gerenciar as carteiras de energia, desde instrumentos padronizados até instrumentos mais flexíveis. A sessão da tarde baseia-se nesta fundação e fornece insights detalhados sobre negociação básica e mais avançada e técnicas de cobertura dinâmica em mercados incompletos. Finalmente, os participantes do curso aprenderão como otimizar e monitorar as carteiras e estratégias de negociação na prática com base no conceito econômico bem fundamentado de utilidade. O curso inteiro tem um foco forte na aplicabilidade e fornece exemplos numerosos first-hand e estudos de caso tais como: Optimização diária da carteira do poder e do gás, uso optimal dos contratos do armazenamento e do balanço, estratégias de troca ideais para feed-in renovável incerto . Será emitido um certificado de presença no curso para cada participante. Requisitos O curso não requer nenhum pré-conhecimento específico. Os instrutores são usados ​​para apresentar os conceitos subjacentes, bem como os exemplos práticos de forma intuitiva. Otimização de carteiras As ferramentas e estratégias de otimização de carteiras ajudam os investidores a gerenciar suas carteiras da forma mais eficiente em impostos e se tornam mais inteligentes sobre o impacto dos impostos sobre seu investimento real Retorna. GainsKeeper Brokerage oferece ferramentas que podem gerar negócios comissionados adicionais para empresas de corretagem, melhorando os resultados pós-imposto dos investidores. Rastreamento de Portfólio Aumente a satisfação do cliente e a acumulação de ativos As estratégias de otimização de portfólio do GainsKeepers minimizam as conseqüências fiscais de seus clientes. Gerar volumes de negociação mais elevados Ajude seus clientes a tomar decisões de negociação informadas enquanto aumenta os volumes de negociação. Reduza os pedidos de suporte ao cliente GainsKeeper oferece aos seus clientes as ferramentas para reduzir a complexidade dos problemas de contabilização de impostos. Aumente a satisfação do cliente e a acumulação de ativos Fornecendo serviços pós-transação para seus clientes é fundamental para a experiência geral do investidor. Com as ferramentas de otimização de portfólio do GainsKeepers, seus clientes podem identificar transações tax-smart para maximizar os retornos após impostos e minimizar os impostos. Gerar maiores volumes de negociação GainsKeepers estratégias de negociação permitem que os investidores para identificar negócios que podem melhorar a sua posição fiscal. Evite vendas de lavagem. GainsKeeper identifica posições em um portfólio que irá desencadear uma venda de lavagem se negociado no dia atual, para que seus clientes podem evitar esses comércios. Identificar investimentos para a estratégia Double Down. Com a estratégia Double Down, os investidores assumem posições que estão atualmente em um profundo estado perdedor, e dobram suas participações neles. Depois de esperar 31 dias para estar fora da janela de venda de lavagem, essas ações são então vendidos com uma perda. GainsKeeper notifica investidores de posições em suas carteiras que são bons candidatos para a estratégia Double Down. Isso permite aos investidores reconhecer as perdas para fins fiscais sem perder sua participação nas posições. Use Sell Grades para vender lotes ótimos em primeiro lugar. GainsKeepers Sell Grade mede as conseqüências fiscais de seus clientes vendendo seus investimentos e classifica-los em conformidade. Quanto maior o valor de Sell Grade, mais favorável o comércio é do ponto de vista fiscal. GainsKeeper atribui um grau de venda para cada exploração e, em seguida, classifica-los de mais alto grau de venda para menor grau de venda. Um grau de venda superior a 1,0 vai economizar seu dinheiro de imposto de cliente. Um Sell Grade de 1,0 é neutro e não tem impacto fiscal. Um nível de venda inferior a 1,0 custará o seu dinheiro de imposto de cliente. GainsKeepers Sell Grade é derivado de um algoritmo proprietário que considera cada lote de impostos base de custo ajustada (ou seja, a base de custo original ajustada para todas as vendas de lavagem e / ou ações corporativas), atual período de detenção (ou longo prazo ou curto prazo) , E, mais importante, a taxa de imposto pessoal de seus clientes e perdas de lucros realizados anteriores, incluindo o caráter desses ganhos e perdas. Desta forma, GainsKeepers Venda Grade é personalizado para cada carteira de indivíduos e situação tributária. Reduza as consultas de suporte ao cliente Com o GainsKeeper integrado ao seu site, você está proativamente a armar seus clientes com informações fiscais associadas a seus investimentos, particularmente relativas à lavagem de vendas, ações corporativas, cálculos de ganhos e Schedule D. Proporcionar aos seus clientes as ferramentas para ajudá-los Gerenciar a complexidade desses problemas pode ajudar a reduzir inquéritos para o seu call center. Portfolio Trader Portfolio Trader é uma funcionalidade avançada para simular e auto comércio carteiras inteiras, que podem conter 100s de ações, futuros e outros instrumentos. Tradicionalmente, tais ferramentas poderosas como Portfolio Trader são muitas vezes vendidas como um aplicativo separado, mas em MultiCharts você obtê-lo inclusive em seu arsenal de negociação. Portfolio Backtesting foi melhorado para um nível totalmente novo com Dynamic Currency Conversion e Walk-Forward Optimization. Enquanto outras plataformas fornecem apenas simulações históricas de carteira de negociação, MultiCharts Portfolio Trader permite automatizar a negociação com qualquer estratégia que você desenvolveu com um único clique. Backtesting Seu Portfólio Portfolio backtesting significa aplicar uma ou mais estratégias para muitos instrumentos ao mesmo tempo simulando dados históricos e avaliar o desempenho como se todos os símbolos fossem negociados com essas estratégias. Diferentes símbolos podem até ter diferentes resoluções durante o teste: 1 tick, 3 minutos, 9 dias ou outros. MultiCharts versão de 64 bits é essencial para backtesting portfólio como a sua muito fácil de alcançar massa crítica com o enorme número de combinações. Para obter informações técnicas sobre este recurso, consulte a página Wiki relacionada. Limitações da vida real consideradas Considerando restrições reais é crítico para a criação de estratégias de negociação bem-sucedidas do portfólio. Durante backtesting portfolio, sinais de negociação muitas vezes precisam ser priorizados porque não há dinheiro suficiente na conta para colocar todas as ordens. Sua estratégia pode sempre comprar os instrumentos mais baratos primeiro, ou você pode querer que ele sempre preencher ordens de ações antes de ordens de futuros. Definir gerenciamento de dinheiro nos scripts As opções de gerenciamento de dinheiro podem ser facilmente alteradas através da interface do Portfolio Trader ou usando diretamente o código PowerLanguage. Adicionámos as palavras-chave do Money Management do portfólio à sua conveniência. Observe que todas as palavras-chave que retornam ou recebem valores monetários estão usando a moeda especificada nas configurações do portfólio. Saiba mais informações técnicas em nossa página Wiki. Otimize seu portfólio em alguns cliques A otimização de portfólio permite encontrar parâmetros ótimos para cada uma de suas estratégias de portfólio, uma de cada vez ou todas de uma vez. Ambos os métodos de otimização genética e exaustiva estão disponíveis no motor de backtesting portfólio. A versão de 64 bits do MultiCharts lida com enormes dados necessários para ambas as tarefas com facilidade. Forward Testing O processo de testar uma estratégia de negociação em tempo real, mas sem negociação real no corretor. Um comerciante pode fazer uma simulação de sua estratégia de negociação em dados relevantes, a fim de avaliar a sua eficácia. Na sua conveniência, a janela Forward Performance Testing (Teste de desempenho avançado) contém as principais informações sobre o desempenho da estratégia para cada instrumento. Portfólio Trading automatizado MultiCharts Portfolio Trader pode processar múltiplas estratégias aplicadas em diferentes grupos de símbolos e ordens de rotas para vários corretores. Depois de backtesting e otimização das estratégias, você pode mudar para a negociação real quando os pedidos são enviados para o corretor. Além disso, você pode pausar e retomar a negociação em qualquer um dos instrumentos sempre que você precisa apenas em um clique. Use mais de uma estratégia de cada vez Portfolio Trader é muito flexível em deixar você criar várias estratégias e combiná-los de muitas maneiras. Os símbolos podem ser divididos em grupos e cada grupo pode ter sua própria estratégia. Por exemplo, você pode ter estratégias de rotação e propagação aplicadas a diferentes grupos de instrumentos em sua carteira. Além disso, você pode ter um sistema de negociação que negocia ações e outro que negocia futuros. O desempenho de cada estratégia afetará o desempenho geral do portfólio. Veja exemplos de estratégia do Portfolio Trader aqui. Todos os detalhes de negociação ao seu alcance Order and Position Tracker está disponível durante o processo de autotrading para que você possa verificar o saldo da sua conta ou Open PL a qualquer momento apenas com um clique. Ele fornece um resumo detalhado de ordens, posições e contas em todos os corretores que estão sendo usados ​​para negociação. Você pode cancelar ou modificar pedidos pendentes, ou até mesmo nivelar posições inteiras, diretamente a partir desta janela. Relatório de desempenho de portfólio interativo O relatório de portfólio MultiCharts é uma ferramenta essencial para avaliar o desempenho de suas estratégias. É como o nosso relatório de desempenho regular, mas apresenta a capacidade de visualizar a divisão por símbolos ou mostrar uma matriz de correlação. O Relatório de Desempenho da Carteira está disponível no Modo de Negociação Automática. Ele mostra os resultados gerados a partir do momento em que foi aberto. Referência de outros instrumentos com facilidade Sua estratégia de negociação pode fazer referência a até nove outros instrumentos, a fim de tomar uma decisão de negociação sobre qualquer símbolo negociável. Isso abre novas oportunidades de estratégias de teste, como arbitragem estatística ou negociação de pares. Vamos considerar uma estratégia de negociação par. Quando um do par é comprado ou vendido, sua estratégia precisa de saber exatamente o que está indo sobre com ambos os símbolos. Se seu par for Google e Microsoft, você entraria no GOOG como o símbolo um e MSFT como o símbolo dois. Então você adicionaria MSFT como dados um e GOOG como dados dois. Dessa forma, cada instrumento no par está ativamente referenciando o outro instrumento e você consegue uma sincronização completa. Os 7 principais problemas de otimização de carteira Pisqueses na caminhada da teoria à otimização prática na gestão de fundos. Problema 1: otimização de portfólio é muito difícil Se você estiver usando uma planilha, então este é realmente um problema. As planilhas são perigosas quando se trata de uma tarefa complexa. Otimização de portfólio qualifica como complexo neste contexto (complexo em requisitos de dados). Se você estiver usando um ambiente de computação mais apropriado, então ele não é realmente tão difícil. Existem algumas questões que precisam ser tratadas, mas levá-los um de cada vez mantém a tarefa de ser esmagadora. Se você estiver usando planilhas, a minha prescrição é mudar para R. Quando há dinheiro real na linha, usando uma planilha para otimização de carteira parece-me ser penny sábio e dólar tolo. Se você tiver outros problemas com otimização, leia o restante deste post. Problema 2: otimizadores de portfólio sugerem negociação demais Uma grande frustração com otimizadores é que o volume de negócios pode ser excessivo. Todos os otimizadores de portfólio razoáveis ​​permitem: restrições de volume de negócios custos de transação Use qualquer um destes para reduzir o volume de negócios para uma quantidade adequada. Nós don8217t frequentemente deixamos carros rolar descontrolado abaixo uma colina. E não devemos permitir que os otimizadores também. Problema 3: retornos esperados são necessários Primeiro fora, este isn8217t estritamente verdadeiro. Você pode encontrar portfólios de variância mínima que precisam de uma matriz de variância, mas não retorna esperado. O sucesso do investimento de baixa volatilidade é uma razão para ir por esse caminho. Mas assumindo que você é um investidor ativo, você precisa de expectativas em algum sentido. Há uma série de técnicas que don8217t exigem retorno numérico esperado. Target portfolio Qualquer pessoa deve ser capaz de fornecer uma carteira ideal de portfólio que você gostaria de manter quando todas as restrições forem ignoradas. Depois de ter o portfólio de destino, então você pode obter um portfólio que é 8220close8221 para o destino, mas obedece às restrições. Uma dessas restrições quase certamente deve ser o volume de negócios. Provavelmente, uma solução melhor seria minimizar o erro de rastreamento para o portfólio de destino. Isso requer uma matriz de variância. Otimização reversa A técnica de otimização reversa (também chamada alfa implícita) pode ser usada iterativamente para tentar encontrar um portfólio que se pareça com o que você quer em termos de retornos esperados que estão implícitos. Isso evita realmente fazer otimização, mas é de trabalho intensivo e depende das restrições não estragar os alfas implícitas (o que é talvez duvidoso). Ativos Se você pode ordenar os ativos em seu universo em termos de retornos esperados, então é viável produzir retornos esperados para dar a um otimizador. Classificação de ativos é muito mais fácil do que dar estimativas numéricas de retornos. Um artigo de Almgren e Chriss explica como transformar fileiras em retornos esperados numéricos. O caso simples requer apenas o uso da função qnorm em R. Isso dá-lhe tamanhos relativos, mas você ainda vai querer escalá-los para coincidir com a matriz de variância. Problema 4: a otimização da variância média é restritiva Existe um mito de que a otimização da média-variância só é útil quando os retornos são normalmente distribuídos. That8217s para trás. Se os retornos são normalmente distribuídos, então a otimização da média-variância é tudo o que pode ser feito. Todos os outros utilitários serão equivalentes. Ver mais na 8220 Teoria da carteira antiga8221. Se a distribuição de retorno de quaisquer ativos no universo não for razoavelmente próxima de simétrica, então, sim, a otimização da média de variância é restritiva e não deve ser usada. Exemplos de ativos disruptivos são títulos e opções. No entanto, se o universo é apenas ações, então média-variância é uma aproximação muito boa para o melhor que podemos fazer. Skewness e kurtosis poderia ser adicionado ao utilitário para explicar a não-normalidade dos retornos. O post do blog 8220Predecibilidade de skewness e kurtosis em SampP constituintes8221 indica que skewness é provavelmente perto de impossível prever ea previsibilidade de kurtosis é limitado. Em 1999, menores momentos parciais e semi-variância eram populares com ações de tecnologia porque eles eram realmente arriscados, só subiram. Descobriu-se que havia simetria nos retornos de ações de tecnologia 8212 era apenas que o lado negativo veio mais tarde. Se de fato você estiver em uma situação 8212, incluindo renda fixa ou opções 8212 onde a otimização de média-variância não é apropriado, então você provavelmente deve fazer otimização de cenário. Problema 5: as entradas de otimização de portfólio são estimativas barulhentas Otimizadores de portfólio são estúpidos o suficiente para acreditar no que lhes dizemos. O otimizador nos dá uma solução como se realmente soubéssemos os retornos esperados ea matriz de variância. De fato: as estimativas de retornos esperados são estimativas de ruído quase total da matriz de variância são bastante barulhentas e quase total ruído8221 se aplica aos melhores gestores de fundos 8212 o 8220almost8221 precisa ser descartado para gestores de fundos abaixo da média. Os modelos de variância de fatores são freqüentemente introduzidos em otimizadores. Estas são muito melhores do que as matrizes de variância da amostra para grandes universos. No entanto, usando uma estimativa de encolhimento é provavelmente melhor do que qualquer um. Erro nominativo Temos um problema Wharfian com 8220optimização8221. As pessoas pensam que estamos otimizando o portfólio quando dizemos isso. Na verdade, estamos realmente otimizando o comércio. Para alguns propósitos não importa, mas importa quando estamos pensando sobre o que fazer com insumos barulhentos. Black-Litterman operações tipo Algumas pessoas pensam que fazer algo como Black-Litterman é uma solução para este problema. Ele não é. Se feito de forma inteligente, então ele reduz 8212, mas não elimina o ruído nos retornos esperados. Otimização robusta A solução real para este problema passa pelo nome de otimização robusta. Acho que este termo lamentável, uma vez que existem vários usos do termo 8220robust8221 que pode ser facilmente confundido com o significado de obter boas soluções para uma otimização de comércio de entradas ruidosas. Há uma grande variedade de propostas para implementar soluções. A maioria deles é bastante complicada. Existe uma solução simples e facilmente implementada (embora o número exato provavelmente precise ser encontrado via experimentação). Aqui está a história (assumindo que temos um portfólio existente): Se as entradas que damos ao otimizador são exatamente verdadeiras, então devemos aceitar o que o otimizador diz. Devemos fazer o comércio sugerido 8212 lembrar que estamos otimizando o comércio. Se as entradas que damos ao otimizador são lixo completo, não devemos fazer nada. Nosso comércio deve ser zero. A realidade é que nossos insumos estão em algum lugar entre o lixo verdadeiramente verdadeiro e completo, então nosso comércio deve estar em algum lugar entre o comércio sugerido e nenhum comércio. Queremos diminuir o comércio. É fácil encolher o comércio quer impondo uma restrição (mais forte) do volume de negócios ou aumentando os custos de transação. Quanto a fazer isso é uma questão, é claro, mas o princípio é simples. A suposição é provável que seja melhor do que não fazê-lo em tudo. Problema 6: os custos de transação são complicados Isso é verdade. Alguns dos custos são diretos, mas o impacto no mercado é difícil de identificar. Mas há um bocado ainda mais complicado: ou os custos de transação precisam ser dimensionados para coincidir com os retornos esperados e a variação, ou os retornos e variância esperados precisam ser dimensionados para corresponder aos custos de transação. Todas as três entidades aparecem na função de utilidade, eo dimensionamento é necessário para que o utilitário faça sentido. A saída do coward8217s é apenas para impor uma restrição de volume de negócios. A outra maneira é trabalhar e pensar muito sobre os custos de negociação. E provavelmente usar um otimizador que permita uma especificação flexível de custos. Problema 7: problema de alinhamento de fatores de risco e alfa Houve conversa entre os otimizadores de otimização de carteira sobre alimentação alfa e alinhamento de fatores. A coisa toda soa seriamente geeky (mesmo para um nerd como eu). A essência é que se houver fatores utilizados nos retornos esperados que não são fatores no modelo de risco, então o otimizador vai pensar que esses fatores são essencialmente sem risco e usá-los muito. Um dos 8220solutions8221 principais para isso é adicionar os fatores em falta para o modelo de risco. Isso, naturalmente, pressupõe que existem fatores no modelo de retorno esperado. Eu suspeito que o verdadeiro problema é que os modelos de fatores são a tecnologia errada para usar como a matriz de variância em otimizadores. A solução, então, é a melhor tecnologia. Minha sugestão é usar estimativas de Ledoit-Wolf que encolhem em direção à correlação igual. Problema 8: as restrições ficam no caminho Este é o problema invisível. Não é motivo de preocupação para as pessoas, porque elas não sabem que as têm. Existem restrições para que a carteira não faça nada de estúpido. Mas quantos verificaram para ver que as limitações estão fazendo como pretendido O 8220the8221 no título é, naturalmente, huckstering absurdo 8212 Eu don8217t realmente sei quais os problemas estão no topo. O que outros problemas estão na execução Apêndice R otimização de portfólio em R Muitos dos otimizadores de portfólio comercial têm uma interface R. Isso, claro, inclui o Portfolio Probe. Há uma série de implementações de otimização de portfólio mais ou menos ingênuas em R que foram contribuídas. Consulte a vista de tarefas Empirical Finance para obter mais detalhes. Ledoit-Wolf shrinkage Você pode obter uma função que faz Ledoit-Wolf encolher em direção a correlação igual fazendo (em R): O primeiro comando que você só precisa fazer uma vez (por versão de R), o segundo você precisa fazer em cada R Sessão em que você deseja usar a função. Ele é chamado var. shrink. eqcor. Por padrão, isso garante que o autovalor mínimo seja pelo menos 0,001 vezes o maior autovalor. Esta é uma maneira de evitar o problema de alinhamento fator. Não há nenhuma razão científica para esse valor específico do limite 8212 sinta-se livre para experimentar e relatar de volta. O pacote BurStFin também tem factor. model. stat que estima um modelo de factor estatístico. Tendo dados de um estoque de company8217s (companhia A) nos anos antes da crise financeira (quando fizeram realmente bom) e de um company8217s (companhia B) estoques em anos na retirada Isn8217t bastante útil, porque a carteira de otimização softwarealgorithm retornará a saída que todos os pesos devem ir para a empresa A Right Você está no problema 3 aqui: retornos esperados são difíceis. Como eu disse em meus momentos mais elevados, falar usando retornos históricos é quase completamente inútil para a maioria dos propósitos. Como você ressalta corretamente, eles seriam ainda mais perigosos se os períodos históricos não fossem os mesmos (pelo menos em grande parte). Obrigado pelo post esclarecedor. Estou particularmente interessado no poder de R como uma ferramenta de análise de investimento. Depois de implementar com sucesso o modelo clássico de otimização de portfólio, procuro uma maneira eficiente de desenhar toda a área de investimento viável em R (além da fronteira de investimento eficiente). Minha abordagem atual é gerar pesos de carteira aleatória (uniformemente distribuídos dentro de um simplex), verificar se as restrições são mantidas e plotá-las. No entanto, os gráficos que recebo são muito diferentes dos que eu vi como saída de outros programas (por exemplo, OptiFolio. ECVaR). Meus resultados mostram uma pequena nuvem de carteiras. Você tem alguma sugestão sobre como produzir uma área de investimento viável mais detalhada usando R Eu suspeito que você está vendo algo parecido com a Figura 3 de Fronteiras eficientes percebidas. Parece que as carteiras típicas vivem em uma parte bastante pequena do espaço viável. Eu nunca tentei fazer o que você está fazendo, então eu realmente não tenho qualquer sabedoria sobre o assunto. Acho que você precisará fazer algum tipo de otimização com entradas variadas. Mas eu não o vejo completamente, pelo menos no momento. Se você pode assumir que o espaço viável é convexo, então a função 8216chull8217 (como em 8216convex hull8217) R é seu amigo.