Mis Experiencias Como Desarrollador Cuantitativa En Un Hedge Fund

Mis experiencias como desarrollador cuantitativa en un Hedge Fund Por Michael Salas-Moore el 26 de diciembre 2012 He escrito mucho sobre la página web sobre cómo convertirse en un ingeniero financiero o un analista cuantitativo, pero no he realmente profundizado en el papel que en realidad tenía en un fondo de cobertura, que era la de un desarrollador cuantitativa precios o lo que involucrado. Dado que muchos de ustedes son probablemente interesado en la programación tanto como las matemáticas y las finanzas, que tiene sentido para mí para discutir lo que el papel era como realidad y lo que yo estaba trabajando en "día a día", en caso de que decida que este tipo de el trabajo es más adecuado que un papel quant "más puro". Muchos fondos de cobertura sistemáticas / cuantitativos se estructuran como unidades independientes "intraempresariales" que consisten en pequeños grupos de investigadores cuantitativos, comerciantes cuantitativos y desarrolladores cuantitativos. Todos los títulos de trabajo tienen el prefijo "quant" porque todos ellos implican un grado significativo de las matemáticas. Cada aspecto de la negociación sistemática es altamente entrelazados y por lo tanto cada individuo está expuesto a las matemáticas y algoritmos. En los fondos sistemáticos hay tres áreas clave que deben implementarse antes de que se establezca un "conducto de comercio". En términos generales, que son: Precio / Feeds: investigadores cuantitativos y los comerciantes necesitan desarrollar sus algoritmos contra el precio de seguridad de series de tiempo. De ahí que una parte importante de la investigación cuantitativa es la obtención de una excelente información de precios de valores de calidad. La variedad de tipos de alimento es extensa. Los datos necesita ser recuperado, almacenado, limpiado y puesto a disposición de cuantos de una manera unificada. Este es el trabajo de los desarrolladores cuantitativa precios. Esto fue alrededor del 80% de mi trabajo. Señales / Algoritmo (s): Este aspecto implica la realización de estudios estadísticos de los datos sobre los precios obtenidos con el fin de identificar oportunidades comerciales. Las estrategias empleadas por los fondos de cobertura son muy diversos. Para los fondos sistemáticos, a menudo caen en los grupos de seguimiento de tendencias, media-reversión, arbitraje estadístico o de alta frecuencia / creación de mercado. Todos los fondos mantienen sus tarjetas muy cerca de su pecho para que las buenas estrategias rara vez se revelaron. Esta área es el trabajo del investigador cuantitativo o comerciante. Ejecución / Órdenes: Una vez una estrategia de negociación ha pasado ninguna backtesting necesario y se ha ganado el rendimiento teórico suficiente, es el trabajo de los cuantos de ejecución para construir modelos para conseguir efectivamente los oficios al intercambio sin incurrir en costos de deslizamiento o de transacción demasiado. Al igual que con la fijación de precios, los equipos de doctores a menudo trabajan en algoritmos de ejecución eficaces - en la ejecución del hecho y de las señales tienen solapamiento significativo. Una vez que el algoritmo de ejecución ha sido diseñado, es el trabajo de la ejecución desarrollador cuantitativa para construir una interfaz a un intermediario principal que permite a las operaciones que se lleven a cabo. Además, deben ser totalmente automatizado, con la capacidad de generar informes de instantánea en la demanda de gestión de carteras y herramientas de reconciliación. Este último fue el 20% de mi trabajo. Lamentablemente no voy a estar hablando sobre el algoritmo exacto que se utilizó, ya que este artículo no es estrategias de negociación divulgación capaces! Sin embargo, voy a discutir los aspectos de fijación de precios de ser un desarrollador cuantitativo. Precios de Desarrollo Cuantitativo Precios consiste en cuatro áreas principales: Conexión a fuentes de datos y obtención de datos, almacenamiento de los datos de manera unificada, la limpieza de los datos, de modo que esté libre de errores y presentación de esos datos para Quant investigadores de una manera sencilla y fácil de usar. Nuestro fondo predominantemente, pero no exclusivamente, utilizó un modelo de capital a largo / corto como un mecanismo de comercio. Nos ocupa principalmente de las siguientes clases de activos: renta variable global, macro de renta fija y los datos derivados, los datos puntuales de divisas (y futuros), materias primas (futuros y opciones) e índices como el S & P500, FTSE100, VIX etc. Las frecuencias fueron predominantemente End - del día / OHLC (apertura, máximo, mínimo, cierre) a través de encuestas a diez minutos de otras fuentes propietarias. El primer paso para la construcción de una base de datos de valores de este tipo es el de crear lo que se conoce como una lista maestra de valores. Este enumera todos los de seguridad / activos que podrían ser de interés en una sola base de datos, no duplicada. Una de las cuestiones clave con una lista de maestros es que diferentes fuentes se refieren a la misma seguridad a través de diferentes códigos. Es necesario construir una lista de asignación de valores que proporciona datos de precios únicos para cada título. Nuestros datos de precios se obtuvo a partir de una mezcla de fuentes de propietario y libre, por lo general a través de interfaces de programación de aplicaciones (API), de modo que pudiera llevarse a cabo en un repetido, de forma automatizada. Hemos construido un sistema para comprobar si hay errores y bandera hasta preocupaciones si los datos no se obtuvo o No se han encontrado otras fuentes de los mismos valores. Nuestros datos se almacenan en un sistema de gestión de bases de datos relacionales (RDBMS), que había sido ampliamente ajustado para un rendimiento y nuestros casos de uso. Una vez que los datos se descargó corrimos tres tipos principales de análisis de datos y secuencias de comandos de modificación. El primero comprobado que los valores idénticos se lograron por la misma seguridad obtenida de fuentes independientes. El segundo comprobó que no había "picos" inexplicables en los datos (es decir, desviaciones significativas de la gama normal de negociación), que suele ser indicativo de un error. El tercer tipo de análisis fue el ajuste del precio de las acciones corporativas (dividendos, división de acciones, emisiones de acciones, etc.), de manera que nuestro flujo de retornos de salida se convirtió en una serie de cambios en los precios de porcentaje, en lugar de los precios absolutos. Estos datos se expone a otros paquetes de software a través de una mezcla de APIs escritos internos y técnicas de replicación de bases de datos. Todo este proceso fue finalmente totalmente automatizado. Las únicas tareas manuales que deben ser llevadas a cabo fueron comprobando los registros de errores y la fijación de las fuentes de datos, añadiendo nuevas fuentes de datos y el ajuste de APIs para permitir funciones adicionales para ser llamados. En la parte superior de mis deberes como "precios quant dev" I herramientas de informes basados ​​en la web también producidos, la cartera de herramientas de reconciliación y una variedad de otras secuencias de comandos de "mantenimiento" para ciertas tareas. Todo este software fue escrito en una mezcla de Python (80%) y C ++ (20%). Solía ​​C ++ donde necesitaba extensa aceleración de algunos algoritmos (en particular la cartera reconciliación) y Python para la mayoría de la recopilación y almacenamiento de datos. También hicimos un uso intensivo de MatLab y Excel para nuestro desarrollo de estrategias y análisis. Michael Salas-Moore Mike es el fundador de QuantStart y ha estado involucrado en la industria de las finanzas cuantitativas en los últimos cinco años, principalmente como desarrollador quant y luego como consultora comerciante quant para los hedge funds.