In diesem Artikel werde ich Sie in einige der grundlegenden Konzepte einführen, die ein durchgängiges quantitatives Handelssystem begleiten. Dieser Beitrag wird hoffentlich zwei Zielgruppen dienen. Die erste Zielgruppe sind Personen, die versuchen, eine Stelle als quantitativer Händler bei einem Fonds zu bekommen. Die zweite Zielgruppe sind Personen, die versuchen wollen, ihr eigenes algorithmisches Einzelhandelsgeschäft aufzubauen.
Quantitativer Handel ist ein äußerst anspruchsvoller Bereich der quantitativen Finanzwirtschaft. Es kann sehr viel Zeit in Anspruch nehmen, sich das nötige Wissen anzueignen, um ein Bewerbungsgespräch zu bestehen oder eigene Handelsstrategien zu entwickeln. Darüber hinaus sind umfangreiche Programmierkenntnisse erforderlich, zumindest in einer Sprache wie MATLAB, R oder Python. Mit zunehmender Handelshäufigkeit der Strategie werden die technologischen Aspekte jedoch sehr viel relevanter. Daher sind Kenntnisse in C/C++ von entscheidender Bedeutung.
Ein quantitatives Handelssystem besteht aus vier Hauptkomponenten:
- Strategie-Identifikation – Finden einer Strategie, Ausnutzen eines Vorteils und Entscheidung über die Handelsfrequenz
- Strategie-Backtesting – Beschaffung von Daten, Analyse der Strategie-Performance und Beseitigung von Verzerrungen
- Ausführungssystem – Verknüpfung mit einem Brokerage, Automatisierung des Handels und Minimierung der Transaktionskosten
- Risikomanagement – Optimale Kapitalallokation, „Wettgröße“/Kelly-Kriterium und Handelspsychologie
Wir beginnen mit einem Blick darauf, wie man eine Handelsstrategie identifiziert.
Strategie-Identifikation
Alle quantitativen Handelsprozesse beginnen mit einer anfänglichen Phase der Recherche. Dieser Forschungsprozess umfasst die Suche nach einer Strategie, die Prüfung, ob die Strategie in ein Portfolio anderer Strategien passt, die Sie möglicherweise betreiben, die Beschaffung aller Daten, die zum Testen der Strategie erforderlich sind, und den Versuch, die Strategie im Hinblick auf höhere Erträge und/oder ein geringeres Risiko zu optimieren. Sie müssen Ihren eigenen Kapitalbedarf einkalkulieren, wenn Sie die Strategie als „Einzelhändler“ betreiben, und Sie müssen berücksichtigen, wie sich etwaige Transaktionskosten auf die Strategie auswirken.
Entgegen der landläufigen Meinung ist es eigentlich recht einfach, profitable Strategien über verschiedene öffentliche Quellen zu finden. Akademiker veröffentlichen regelmäßig theoretische Handelsergebnisse (wenn auch meist ohne Berücksichtigung der Transaktionskosten). In Blogs zu quantitativen Finanzthemen werden Strategien im Detail diskutiert. In Fachzeitschriften werden einige der von Fonds angewandten Strategien beschrieben.
Man könnte sich fragen, warum Einzelpersonen und Unternehmen ihre profitablen Strategien so gerne diskutieren, vor allem wenn sie wissen, dass andere, die „in den Handel drängen“, verhindern könnten, dass die Strategie auf lange Sicht funktioniert. Der Grund liegt darin, dass sie oft nicht über die genauen Parameter und Optimierungsmethoden sprechen, die sie angewandt haben. Diese Optimierungen sind der Schlüssel, um eine relativ mittelmäßige Strategie in eine hochprofitable zu verwandeln. Eine der besten Möglichkeiten, eigene einzigartige Strategien zu entwickeln, besteht darin, ähnliche Methoden zu finden und dann ein eigenes Optimierungsverfahren durchzuführen.
Hier ist eine kleine Liste von Orten, an denen man nach Strategieideen suchen kann:
- Social Science Research Network – www.ssrn.com
- arXiv Quantitative Finance – arxiv.org/archive/q-fin
- Seeking Alpha – www.seekingalpha.com
- Elite Trader – www.elitetrader.com
- Nuclear Phynance – www.nuclearphynance.com
- Quantivity – quantivity.wordpress.com
Viele der Strategien, die Sie sich ansehen werden, fallen in die Kategorien Mean-Reversion und Trendfolge/Momentum. Eine Mean-Reversion-Strategie ist eine Strategie, die versucht, die Tatsache auszunutzen, dass ein langfristiger Mittelwert einer „Preisreihe“ (z. B. der Spread zwischen zwei korrelierten Vermögenswerten) existiert und dass sich kurzfristige Abweichungen von diesem Mittelwert schließlich umkehren werden. Eine Momentum-Strategie versucht, sowohl die Psychologie der Anleger als auch die Struktur großer Fonds auszunutzen, indem sie auf einen Markttrend aufspringt, der sich in eine Richtung entwickeln kann, und dem Trend folgt, bis er sich umkehrt.
Ein weiterer äußerst wichtiger Aspekt des quantitativen Handels ist die Häufigkeit der Handelsstrategie. Low Frequency Trading (LFT) bezieht sich im Allgemeinen auf jede Strategie, die Vermögenswerte länger als einen Handelstag hält. Dementsprechend bezieht sich der Hochfrequenzhandel (HFT) im Allgemeinen auf eine Strategie, bei der Vermögenswerte innerhalb eines Tages gehalten werden. Der Ultra-Hochfrequenzhandel (UHFT) bezieht sich auf Strategien, die Vermögenswerte in der Größenordnung von Sekunden und Millisekunden halten. Als Privatanleger sind HFT und UHFT durchaus möglich, aber nur mit detaillierten Kenntnissen des „Technologie-Stacks“ des Handels und der Dynamik des Orderbuchs. Auf diese Aspekte werden wir in diesem Einführungsartikel nicht näher eingehen.
Wenn eine Strategie oder eine Reihe von Strategien identifiziert wurde, muss sie nun anhand historischer Daten auf ihre Rentabilität getestet werden. Das ist die Domäne des Backtestings.
Strategie-Backtesting
Das Ziel des Backtestings ist es, den Nachweis zu erbringen, dass die durch den oben beschriebenen Prozess identifizierte Strategie profitabel ist, wenn sie sowohl auf historische als auch auf Out-of-Sample-Daten angewendet wird. Dadurch wird die Erwartung geweckt, wie sich die Strategie in der „realen Welt“ verhalten wird. Das Backtesting ist jedoch aus verschiedenen Gründen KEINE Garantie für den Erfolg. Es ist vielleicht der subtilste Bereich des quantitativen Handels, da er zahlreiche Verzerrungen mit sich bringt, die sorgfältig berücksichtigt und so weit wie möglich eliminiert werden müssen. Wir werden die häufigsten Arten von Verzerrungen erörtern, darunter die Vorausschauverzerrung, die Überlebensverzerrung und die Optimierungsverzerrung (auch bekannt als „Data-Snooping“-Verzerrung). Weitere wichtige Bereiche beim Backtesting sind die Verfügbarkeit und Sauberkeit historischer Daten, die Berücksichtigung realistischer Transaktionskosten und die Wahl einer robusten Backtesting-Plattform. Wir werden die Transaktionskosten weiter unten im Abschnitt über Ausführungssysteme erörtern.
Wenn eine Strategie identifiziert wurde, müssen historische Daten beschafft werden, um sie zu testen und eventuell zu verfeinern. Es gibt eine große Anzahl von Datenanbietern für alle Anlageklassen. Ihre Kosten hängen im Allgemeinen von der Qualität, Tiefe und Aktualität der Daten ab. Der traditionelle Ausgangspunkt für beginnende Quantenhändler (zumindest auf Einzelhandelsebene) ist die Nutzung des kostenlosen Datensatzes von Yahoo Finance. Ich möchte hier nicht zu sehr auf die Anbieter eingehen, sondern mich vielmehr auf die allgemeinen Probleme beim Umgang mit historischen Datensätzen konzentrieren.
Zu den Hauptproblemen bei historischen Daten gehören Genauigkeit/Sauberkeit, Survivorship Bias und die Anpassung an Unternehmensmaßnahmen wie Dividenden und Aktiensplits:
- Die Genauigkeit bezieht sich auf die Gesamtqualität der Daten – ob sie Fehler enthalten. Fehler können manchmal leicht zu erkennen sein, z. B. mit einem Spike-Filter, der falsche „Spikes“ in Zeitreihendaten herausfiltert und korrigiert. Zu anderen Zeiten können sie sehr schwer zu erkennen sein. Oft ist es notwendig, zwei oder mehr Anbieter zu haben und dann alle ihre Daten miteinander zu vergleichen.
- Die Überlebensverzerrung ist oft ein „Merkmal“ von kostenlosen oder billigen Datensätzen. Ein Datensatz mit Survivorship Bias bedeutet, dass er keine Vermögenswerte enthält, die nicht mehr gehandelt werden. Im Falle von Aktien bedeutet dies, dass sie nicht mehr gehandelt werden bzw. bankrott sind. Diese Verzerrung bedeutet, dass jede Aktienhandelsstrategie, die anhand eines solchen Datensatzes getestet wird, wahrscheinlich besser abschneidet als in der „realen Welt“, da die historischen „Gewinner“ bereits vorausgewählt wurden.
- Zu den Kapitalmaßnahmen gehören „logistische“ Aktivitäten des Unternehmens, die in der Regel eine stufenweise Veränderung des Rohpreises bewirken und nicht in die Berechnung der Kursrenditen einbezogen werden sollten. Anpassungen für Dividenden und Aktiensplits sind die üblichen Übeltäter. Bei jeder dieser Aktionen muss ein Prozess durchgeführt werden, der als Rückanpassung bekannt ist. Man muss sehr vorsichtig sein, um einen Aktiensplit nicht mit einer echten Renditeanpassung zu verwechseln. So mancher Händler wurde schon von einer Kapitalmaßnahme überrumpelt!
Um ein Backtest-Verfahren durchzuführen, ist es notwendig, eine Software-Plattform zu verwenden. Sie haben die Wahl zwischen einer speziellen Backtest-Software wie Tradestation, einer numerischen Plattform wie Excel oder MATLAB oder einer vollständigen kundenspezifischen Implementierung in einer Programmiersprache wie Python oder C++. Ich werde mich nicht zu sehr mit Tradestation (oder ähnlichen Programmen), Excel oder MATLAB beschäftigen, da ich (aus den unten genannten Gründen) an die Entwicklung eines vollständigen internen Technologie-Stacks glaube. Einer der Vorteile dieser Vorgehensweise besteht darin, dass die Backtest-Software und das Ausführungssystem selbst bei extrem fortschrittlichen statistischen Strategien eng integriert werden können. Insbesondere für HFT-Strategien ist es unerlässlich, eine maßgeschneiderte Implementierung zu verwenden.
Beim Backtesting eines Systems muss man in der Lage sein, seine Leistung zu quantifizieren. Die „Industriestandard“-Metriken für quantitative Strategien sind der maximale Drawdown und die Sharpe Ratio. Der maximale Drawdown beschreibt den größten Peak-to-Trough-Rückgang in der Aktienkurve des Kontos über einen bestimmten Zeitraum (in der Regel jährlich). Er wird meist als Prozentsatz angegeben. LFT-Strategien haben aufgrund einer Reihe von statistischen Faktoren tendenziell größere Drawdowns als HFT-Strategien. Ein historischer Backtest zeigt den maximalen Drawdown in der Vergangenheit, der einen guten Anhaltspunkt für die zukünftige Drawdown-Performance der Strategie darstellt. Die zweite Messgröße ist die Sharpe Ratio, die heuristisch definiert ist als der Durchschnitt der Überschussrenditen geteilt durch die Standardabweichung dieser Überschussrenditen. Die Überschussrendite bezieht sich dabei auf die Rendite der Strategie, die über einer vorher festgelegten Benchmark liegt, wie z. B. dem S&P500 oder einem 3-Monats-Schatzwechsel. Beachten Sie, dass die annualisierte Rendite kein übliches Maß ist, da sie die Volatilität der Strategie nicht berücksichtigt (im Gegensatz zur Sharpe Ratio).
Wenn eine Strategie im Backtesting getestet wurde und als frei von Verzerrungen gilt (soweit das möglich ist!
Ausführungssysteme
Ein Ausführungssystem ist das Mittel, mit dem die Liste der von der Strategie generierten Trades vom Broker gesendet und ausgeführt wird. Obwohl die Handelsgenerierung halb- oder sogar vollautomatisch sein kann, kann der Ausführungsmechanismus manuell, halb-manuell (d.h. „ein Klick“) oder vollautomatisch sein. Bei LFT-Strategien sind manuelle und halb-manuelle Techniken üblich. Für HFT-Strategien ist es notwendig, einen vollautomatischen Ausführungsmechanismus zu entwickeln, der oft eng mit dem Handelsgenerator gekoppelt ist (aufgrund der gegenseitigen Abhängigkeit von Strategie und Technologie).
Die wichtigsten Überlegungen bei der Entwicklung eines Ausführungssystems sind die Schnittstelle zum Broker, die Minimierung der Transaktionskosten (einschließlich Provisionen, Slippage und Spread) und die Abweichung der Leistung des Live-Systems von der Backtesting-Leistung.
Es gibt viele Möglichkeiten, eine Schnittstelle zu einem Broker zu schaffen. Sie reichen von der telefonischen Kontaktaufnahme mit dem Broker bis hin zu einer vollautomatisierten, leistungsstarken Programmierschnittstelle (API). Idealerweise möchten Sie die Ausführung Ihrer Geschäfte so weit wie möglich automatisieren. So können Sie sich auf weitere Recherchen konzentrieren und mehrere Strategien oder sogar Strategien mit höherer Frequenz ausführen (HFT ist ohne automatisierte Ausführung praktisch unmöglich). Die oben erwähnten gängigen Backtesting-Programme wie MATLAB, Excel und Tradestation eignen sich gut für einfachere Strategien mit geringerer Frequenz. Für echtes HFT ist es jedoch erforderlich, ein eigenes Ausführungssystem zu entwickeln, das in einer Hochleistungssprache wie C++ geschrieben ist. Als Anekdote: Bei dem Fonds, bei dem ich früher beschäftigt war, hatten wir eine 10-Minuten-Handelsschleife“, bei der wir alle 10 Minuten neue Marktdaten herunterluden und dann auf der Grundlage dieser Informationen im selben Zeitrahmen Trades ausführten. Dies geschah mit einem optimierten Python-Skript. Für alles, was in die Nähe von Daten im Minuten- oder Sekundenbereich kommt, wäre meiner Meinung nach C/C++ idealer.
In einem größeren Fonds ist es oft nicht die Domäne des Quant Traders, die Ausführung zu optimieren. In kleineren Geschäften oder HFT-Firmen sind die Händler jedoch die Ausführenden und daher ist ein viel breiteres Kompetenzspektrum oft wünschenswert. Bedenken Sie dies, wenn Sie bei einem Fonds angestellt werden möchten. Ihre Programmierkenntnisse sind genauso wichtig, wenn nicht sogar wichtiger, als Ihre statistischen und ökonometrischen Talente!
Ein weiteres wichtiges Thema, das unter das Banner der Ausführung fällt, ist die Minimierung der Transaktionskosten. Die Transaktionskosten bestehen im Allgemeinen aus drei Komponenten: Provisionen (oder Steuern), d.h. die Gebühren, die vom Makler, der Börse und der SEC (oder einer ähnlichen staatlichen Aufsichtsbehörde) erhoben werden; Slippage, d.h. die Differenz zwischen dem Preis, zu dem Ihr Auftrag ausgeführt werden sollte, und dem tatsächlich ausgeführten Preis; Spread, d.h. die Differenz zwischen dem Geld- und dem Briefkurs des gehandelten Wertpapiers. Beachten Sie, dass der Spread NICHT konstant ist und von der aktuellen Liquidität (d.h. der Verfügbarkeit von Kauf-/Verkaufsaufträgen) auf dem Markt abhängt.
Transaktionskosten können den Unterschied zwischen einer extrem rentablen Strategie mit einer guten Sharpe Ratio und einer extrem unrentablen Strategie mit einer schrecklichen Sharpe Ratio ausmachen. Es kann eine Herausforderung sein, die Transaktionskosten anhand eines Backtests korrekt vorherzusagen. Je nach Häufigkeit der Strategie benötigen Sie Zugang zu historischen Börsendaten, die Tickdaten für Geld-/Briefkurse enthalten. Aus diesen Gründen widmen sich bei den großen Fonds ganze Teams von Quants der Optimierung der Ausführung. Stellen Sie sich das Szenario vor, dass ein Fonds eine beträchtliche Menge an Geschäften abstoßen muss (die Gründe dafür sind vielfältig!). Wenn er so viele Anteile auf den Markt „wirft“, wird der Preis schnell gedrückt und die Ausführung ist möglicherweise nicht optimal. Daher gibt es Algorithmen, die den Markt mit Aufträgen „tröpfchenweise“ versorgen, wobei allerdings das Risiko besteht, dass der Fonds die Aufträge verschlampt. Darüber hinaus gibt es andere Strategien, die diese Notwendigkeiten „ausnutzen“ und die Ineffizienzen ausschöpfen können. Dies ist die Domäne der Fondsstrukturarbitrage.
Das letzte große Problem für Ausführungssysteme betrifft die Abweichung der Strategieperformance von der im Backtesting ermittelten Performance. Dies kann aus einer Reihe von Gründen geschehen. Wir haben bereits ausführlich über Look-Ahead-Bias und Optimierungsbias gesprochen, wenn wir Backtests betrachten. Bei einigen Strategien ist es jedoch nicht einfach, diese Verzerrungen vor dem Einsatz zu testen. Dies ist vor allem beim HFT der Fall. Es kann sowohl im Ausführungssystem als auch in der Handelsstrategie selbst Fehler geben, die in einem Backtest nicht auftauchen, im Live-Handel aber sehr wohl. Der Markt kann nach der Einführung Ihrer Strategie einem Regimewechsel unterzogen worden sein. Neue aufsichtsrechtliche Rahmenbedingungen, eine veränderte Anlegerstimmung und makroökonomische Phänomene können zu einem abweichenden Marktverhalten und damit zur Rentabilität Ihrer Strategie führen.
Risikomanagement
Das letzte Puzzleteil des quantitativen Handels ist der Prozess des Risikomanagements. „Risiko“ umfasst alle zuvor besprochenen Verzerrungen. Dazu gehört auch das technologische Risiko, z.B. wenn bei den an der Börse untergebrachten Servern plötzlich eine Festplattenstörung auftritt. Es umfasst das Maklerrisiko, z. B. wenn der Makler in Konkurs geht (das ist nicht so verrückt, wie es sich anhört, wenn man an den jüngsten Schreck mit MF Global denkt). Kurzum, es geht um fast alles, was die Umsetzung des Handels beeinträchtigen könnte, und dafür gibt es viele Quellen. Dem Risikomanagement für quantitative Strategien sind ganze Bücher gewidmet, so dass ich hier nicht versuchen werde, alle möglichen Risikoquellen zu erläutern.
Das Risikomanagement umfasst auch die so genannte optimale Kapitalallokation, die ein Teilgebiet der Portfoliotheorie ist. Es handelt sich dabei um die Art und Weise, wie das Kapital auf eine Reihe von verschiedenen Strategien und auf die Geschäfte innerhalb dieser Strategien verteilt wird. Es handelt sich um ein komplexes Gebiet, das sich auf einige nicht triviale mathematische Verfahren stützt. Der Industriestandard, der die optimale Kapitalallokation und die Hebelwirkung der Strategien miteinander in Beziehung setzt, ist das Kelly-Kriterium. Da dies ein einführender Artikel ist, werde ich mich nicht mit seiner Berechnung befassen. Das Kelly-Kriterium geht von einigen Annahmen über die statistische Natur von Renditen aus, die auf den Finanzmärkten oft nicht zutreffen, so dass Händler bei der Umsetzung oft konservativ vorgehen.
Eine weitere Schlüsselkomponente des Risikomanagements besteht im Umgang mit dem eigenen psychologischen Profil. Es gibt viele kognitive Verzerrungen, die sich in den Handel einschleichen können. Obwohl dies beim algorithmischen Handel zugegebenermaßen weniger problematisch ist, wenn die Strategie in Ruhe gelassen wird! Eine häufige Voreingenommenheit ist die Verlustaversion, bei der eine Verlustposition nicht geschlossen wird, weil es schmerzt, einen Verlust realisieren zu müssen. Ebenso können Gewinne zu früh mitgenommen werden, weil die Angst vor dem Verlust eines bereits erzielten Gewinns zu groß sein kann. Eine weitere häufige Tendenz ist der sogenannte Recency Bias. Dieser manifestiert sich, wenn Händler den Schwerpunkt zu sehr auf die jüngsten Ereignisse und nicht auf die längerfristige Entwicklung legen. Dann gibt es natürlich noch die beiden klassischen emotionalen Verzerrungen – Angst und Gier. Diese können oft zu einem zu geringen oder zu hohen Leverage führen, was zu einem Blow-up (d.h. das Eigenkapital des Kontos geht gegen Null oder noch schlimmer!) oder zu geringeren Gewinnen führen kann.
Zusammenfassung
Wie man sieht, ist der quantitative Handel ein äußerst komplexes, wenn auch sehr interessantes Gebiet der quantitativen Finanzen. Ich habe in diesem Artikel buchstäblich an der Oberfläche des Themas gekratzt, und es wird schon ziemlich lang! Ganze Bücher und Abhandlungen wurden über Themen geschrieben, auf die ich nur einen oder zwei Sätze gegeben habe. Aus diesem Grund ist es notwendig, vor der Bewerbung um eine Stelle im quantitativen Fondshandel ein umfangreiches Grundlagenstudium durchzuführen. Zumindest benötigen Sie ein umfassendes Hintergrundwissen in Statistik und Ökonometrie mit viel Erfahrung in der Implementierung in einer Programmiersprache wie MATLAB, Python oder R. Für anspruchsvollere Strategien im höheren Frequenzbereich sollten Sie über Kenntnisse in der Modifikation des Linux-Kernels, in C/C++, in der Assembler-Programmierung und in der Optimierung der Netzwerklatenz verfügen.
Wenn Sie daran interessiert sind, Ihre eigenen algorithmischen Handelsstrategien zu entwickeln, wäre mein erster Vorschlag, sich mit der Programmierung vertraut zu machen. Ich bevorzuge es, so viel wie möglich von der Datenerfassung, dem Strategie-Backtester und dem Ausführungssystem selbst zu erstellen. Wenn Ihr eigenes Kapital auf dem Spiel steht, würden Sie dann nicht nachts besser schlafen, wenn Sie wissen, dass Sie Ihr System vollständig getestet haben und sich seiner Fallstricke und besonderen Probleme bewusst sind? Die Auslagerung an einen Anbieter spart zwar kurzfristig Zeit, kann aber langfristig sehr teuer werden.