Dottorandi Andreza Barbosa. Andreza ha scritto la sua tesi di dottorato sulla copertura con contratti a termine e exchange traded funds, e successivamente pubblicato diversi documenti, in particolare sul Journal of Portfolio Management e il Journal of Banking and Finance e un libro dalla sua tesi su Exchange Traded Funds. Era Vice Presidente Prime Brokerage e OTC di compensazione dei rischi a JP Morgan a Londra, Direttore, EMEA Head of Risk, Futures e Clearing OTC a Citigroup e responsabile del rischio di mercato al NYSE Euronext, dove ha gestito la transizione compensazione del business LIFFE di ICE Cancella l'Europa nel 2013. Poi è stata direttore del rischio e si diresse CIEM Financials e Softs squadra di rischio fino al 2016. Attualmente è direttore esecutivo del team modello di Risk Management di Goldman Sachs. Chen Xi detiene una laurea in Economia presso l'Università di Shanghai per la Scienza e la Tecnologia, la specializzazione in Finanza. Dopo un anno e mezzo di lavoro in KPMG, è arrivata nel Regno Unito e nel 2009 ha ottenuto un Master in Financial Risk Management dal Centro ICMA, posizionandosi tra i primi tre fra tutti gli studenti master quell'anno. Nel 2014 ha conseguito il dottorato di ricerca in estendere la teoria delle opzioni reali e lo sviluppo di modelli di valutazione delle opzioni reali. Attualmente lavora come la ricerca e sviluppo co-direttore di Oxford rischio e un ricercatore post-dottorato presso Smith School of Enterprise e dell'Ambiente, Università di Oxford Anca Dimitriu. Anca ha conseguito un Master da Dofin Bucarest (2000) e un dottorato di ricerca presso il Centro ICMA (2004). Durante il suo dottorato di ricerca ha pubblicato molti articoli sulle strategie quantitative di hedge fund, in particolare sul Journal of Portfolio Management, ufficiale investimenti alternativi e quantitativi delle Finanze. Dopo quasi 5 anni nella capitale squadra quant negoziazione a Goldman Sachs, nel 2009 entra a far parte di una grande squadra quant negoziazione a Millenium Partners a Londra, concentrandosi sullo sviluppo del business. Nel 2016 è diventata COO, Strategie Quant a Balyasny Asset Management L. P. Naoufel El-Bachir. Naoufel detiene una laurea in Economia e Commercio e un Master in Finanza presso HEC-Università di Losanna e un DEA in stocastico Modelling e Statistica presso l'Università di Parigi VII. La sua tesi di dottorato era su modelli di intensità predefinita stocastici con salti e la loro applicazione ai derivati di credito single-name e portafogli di credito. Dopo il dottorato ha avuto un periodo di un anno con Fitch Ratings dove ha lavorato su diversi progetti di modellazione di credito, tra cui CDO-squareds, CDS cross currency, CVA, e l'analisi empirica dei CDS quotazioni fornite da un pool di commercianti. Da allora, ha lavorato sulla modellazione e il sistema di implementazione per il rischio di controparte e CVAFVA, prima come consulente con RBS, poi CIBC. Attualmente è impiegato da CIBC dove continua a lavorare sulle soluzioni per la gestione dei prezzi e il rischio di Rettifiche di valore Andreas Kaeck. Andreas ha conseguito un Master in Business presso l'Università di Augsburg, e un Master in Finanza e Gestione delle informazioni dal programma Elite laureato presso l'Università Tecnica di Monaco (TUM). Successivamente, nel settembre 2010 ha conseguito il dottorato con una tesi dal titolo indici azionari e indice Dynamics derivati. Andreas ha iniziato la sua carriera nel mondo accademico come Assistant Professor di Finanza all'Università di San Gallo (Svizzera) e si unì alla University of Sussex, come lettore in Finanza nel 2013. Julia Kapraun. Julia ha studiato Matematica con specializzazione in Finanza matematica e analisi stocastica presso la TU di Berlino. Durante e dopo gli studi ha maturato esperienze pratiche nei mercati dei derivati azionari presso UBS e BNP e ha lavorato come controller rischio junior presso Union Investment. È entrata a far WHU Otto Beisheim School of Management per i suoi studi di dottorato di ricerca sugli investimenti di volatilità, quando ha trascorso un semestre presso Sussex lavorare con Carol sul trading e investire in prodotti di volatilità. Ha conseguito il dottorato di ricerca nel 2014 ed è ora Assistant Professor in Finanza presso WHU. La sua recente ricerca si concentra sulla modellazione finanziaria, asset pricing e gestione patrimoniale. Dimitris Korovilas detiene una laurea dal Pireo Business School in Grecia e un Master del Centro ICMA nel Regno Unito. Il suo dottorato di ricerca, sui prodotti di volatilità negoziati in borsa, è stato completato nel 2012 presso il Centro ICMA. Poi è entrato nel team quantitativa strategie di investimento a Citigroup a Londra, dove ha strutture prodotti. La sua area di competenza è volatilità delle azioni che l'equità e multi-asset premi per il rischio. Joydeep Lahiri. Joydeep detiene una B. Tech (First Class) in informatica e ingegneria presso l'Università Mangalore, in India e ha iniziato la sua carriera come programmatore in Information Technology. Il suo dottorato di ricerca è in soluzioni approssimate per i modelli di salto-diffusione con applicazioni a spread sui CDS. Ha ricoperto vari incarichi di piombo tecnico, architetto e Project Manager, l'esecuzione di progetti di Fortune 100 clienti nel Regno Unito, Bahrain, Giappone e Stati Uniti. Si è unito al BT Pension Scheme gestione per completare il suo dottorato di ricerca, poi si trasferisce a RWC a lavorare sul rischio, l'attribuzione e la performance. Emese Lazar. Emese è professore associato in Finanza presso il centro ICMA. Ha conseguito una laurea in Informatica, Università di Bucarest, una laurea in Finanza e Banche, Accademia di Studi Economici di Bucarest, e un Master in Ingegneria Finanziaria e analisi quantitativa (con lode) da Henley Business School. Il suo dottorato era sui modelli di volatilità multi-statali e interessi di ricerca attuali includono la volatilità e modelli di correlazione e la loro applicazione nei prezzi dei prodotti strutturati e di gestione del rischio. Daniel Ledermann. Dan è laureato presso l'Università di Oxford con i primati in entrambe le sue laurea e master in matematica. Ha sviluppato un nuovo metodo di simulazione basata su casuale ortogonali Matrici (simulazione ROM) ottenendo il dottorato nel 2010. Dan ha iniziato la sua carriera come Quant analisti SunGard a Londra, poi un analista senior sviluppare modelli di rischio e di valutazione per la HSBC a Canary Wharf. Attualmente è Senior Quantitative Analyst presso HSBC Global Banking e Markets, Londra Stamatis Leontsinis. Stamatis conseguito il dottorato di ricerca, su indici di volatilità e momento più alto basati su opzioni-free modello, nel 2010. Il suo lavoro nasce importanti nuove formule per la costruzione su indici di volatilità, asimmetria e curtosi che sono applicabili a tutti i sottostanti, compresi i tassi di interesse. Si è unito Fulcrum Asset Management nel 2010 e come la testa di sistematiche strategie di trading di volatilità ha sviluppato il fondo Multi Asset Volatilità (MAV), il commercio varianza premi per il rischio in azioni, materie prime, valute e tassi. Come un gestore di portafoglio di MAV, ha guidato i fondi di costruzione strategia e di evoluzione, di implementazione e di gestione del rischio. MAV è cresciuto a oltre 1BL in AUM durante il primo anno. Nel 2015 entra a far parte RWC Partners come Responsabile Derivati strategie nella squadra strategie quantitative, concentrandosi sullo sviluppo di volatilità multi-asset e altri derivati strategie sistematiche. Nel 2017 entra a far parte CdR Capital Ltd, Londra come Direttore della ricerca per i derivati quantitativi e le strategie di volatilità. Ha tenuto lezioni ospiti nella dell'attività Scuole di Newcastle University e University of Sheffield. Ha inoltre conseguito un Master da Henley Business School e una laurea presso il Dipartimento di Internazionale e Studi Economici Europei presso l'Università di Atene di Economia e Commercio. Dmitri Lvov. Dmitri detiene una laurea all'Università di Mosca e un Master in International Securities Investment Banking e presso il Centro ICMA (2001), laureandosi con lode. Il suo dottorato era sui metodi Monte Carlo per i prezzi e la copertura con applicazioni alla swaption Bermuda e obbligazioni convertibili. Dal momento che il dottorato ha lavorato in JP Morgan-Chase Bank, Londra e la sua posizione attuale è direttore esecutivo, Commodities Research Quant. Leonardo Nogueira. Leo detiene una laurea in Computer Science presso l'Università Federale di Pernambuco di Recife, in Brasile, un Master (lode) in Ingegneria finanziaria e analisi quantitativa presso il Centro ICMA, e il dottorato di ricerca era in opzioni con modelli di volatilità stocastica locali e di copertura. Lavora per la banca centrale brasiliana, dove è attualmente responsabile del Vice Governor8217s Ufficio per la politica monetaria, consigliando le coordinate bancarie sulle questioni di politica monetaria e FX. I suoi principali interessi di ricerca sono i prezzi e derivati di copertura, la gestione del rischio, la volatilità di modellazione, ottimizzazione del portafoglio e delle banche centrali in generale. Johannes Rauch. Johannes ha conseguito un Master in Finanza e Information Management presso l'Università Tecnica di Monaco. La sua tesi di master su derivati su merci è una collaborazione con risklab GmbH, una filiale di Allianz Global Investors. Johannes ha maturato esperienza lavorando con A. T. consulenza strategica Kearney così come nei suoi padri propria consulenza aziendale. Ha completato il suo dottorato di ricerca sulla discretizzazione prodotti invarianti e superiori premi al rischio momento all'Università del Sussex, e nel 2015 entra a far parte del nostro team di qui come docente di Finanza. Silvia Stanescu. Silvia ha ottenuto un Master in International Securities, Investment Banking e (ICMA Centre), così come una laurea in Economia Aziendale presso l'Università di Reading, classifica il primo nella sua classe in entrambe le occasioni. Silvia detiene anche una laurea in Banca e Finanza presso l'Accademia di studi economici di Bucarest. Dopo aver completato la sua tesi di dottorato su momenti di analisi per i processi GARCH, era un docente di finanza presso l'Università di Kent per quasi 4 anni. Successivamente è entrato nel team Equity Derivatives Research presso Deutsche Bank a Londra. Anannit Sumawong. Poppy detiene un BEng in Ingegneria Meccanica presso l'Imperial College di Londra (2008), un Master in Gestione Finanziaria Internazionale presso l'Università di Surrey (2009), un Master in Financial Risk Management presso l'Università di Reading (2010) e un PhD in Finanza presso l'Università del Sussex (2015) con una tesi dal titolo Risk Management per Derivati Energia: Applicazioni di copertura e requisiti di margine. Ha continuato questo lavoro come ricercatore post-dottorato presso l'Università del Sussex, finanziato dall'Istituto Global Risk, e dopo aver lavorato nel rischio, ricerca, amplificare divisione politica del PCC, mercati finanziari Direzione Infrastrutture, Bank of England è diventato un Quantitative Analyst alla GAM , Asset Management, Londra. Aanand Venkatramanan. Aanand laureato da Sri Sathya Sai Institute, India con lode di prima classe in matematica. Come studioso Felix ha ottenuto una distinzione sul Master in soluzioni numeriche delle equazioni differenziali presso l'Università di Reading. Ha conseguito il dottorato di ricerca su approssimazioni analitiche per i prezzi opzione multi-asset, nel 2010, sotto la supervisione di Carol Alexander e poi ha lavorato per tre anni in prodotti strutturati per Goldman Sachs, Londra. Dopo due anni come docente di finanza presso l'Università del Sussex ha recentemente restituito alla città di Londra come VP Strategie Systematic Trading e indici per fx. Ali Bora Yigitbasioglu. Ali ha conseguito una laurea in Matematica presso l'Università di Cambridge, e Master in matematica finanziaria presso l'Imperial College. La sua tesi di dottorato era l'inclusione di periodi di incertezza e volatilità convocazione nella determinazione dei prezzi delle obbligazioni convertibili con PDE. Dal momento che il dottorato ha lavorato a Londra: a Lehman Brothers (esotiche FX e trading strutturato nei mercati emergenti), in qualità di Senior esotiche ibride commerciante e commerciante prop macro, Dresdner Kleinwort (2008-2010) ed è attualmente senior portfolio manager, tassi di mercato emergente e FX macro prop trading, presso The Cambridge Strategy. Machine Learning Trading Systems SPDR ETF SampP 500 (SPY) è uno dei prodotti ETF ampiamente trattati sul mercato, con circa 200 miliardi di asset e fatturato medio di poco meno di 200M azioni quotidiano. Quindi la probabilità di essere in grado di sviluppare un sistema di negoziazione per fare soldi utilizzando le informazioni disponibili al pubblico potrebbe sembrare sottile a nessuno. Così, per darci una possibilità di combattere, ci concentreremo su un tentativo di prevedere il movimento durante la notte in SPY, utilizzando i dati del prima sessione di day8217s. Oltre alla openhighlow e ai prezzi di chiusura della sessione giorno precedente, abbiamo selezionato una serie di altre variabili plausibili per costruire il vettore funzione che stiamo per usare nel nostro modello di apprendimento automatico: Il volume giornaliero I day8217s precedenti prezzo di chiusura del 200 - day, 50 giorni e 10 giorni in media del prezzo di chiusura I prezzi elevati 252 giorni e bassi della serie SPY si cercherà di costruire un modello che prevede il ritorno durante la notte nella ETF in movimento, cioè O (T1) - C (t) C (t) In questo esercizio si usa dati giornalieri a partire dall'inizio della serie SPY fino alla fine del 2014 per costruire il modello, che verrà poi prova su out-of-campione di dati che va dal gennaio 2015- agosto 2016. In un contesto ad alta frequenza di una notevole quantità di tempo sarebbe speso valutare, pulizia e normalizzando i dati. Qui ci troviamo di fronte molti meno problemi di questo tipo. Tipicamente si potrebbe standardizzato i dati di ingresso per equalizzare l'influenza delle variabili che possono essere misurate su scale estremamente diversi ordini di grandezza. Ma in questo esempio tutte le variabili di input, con l'eccezione di volume sono misurati sulla stessa scala e così standardizzazione è probabilmente inutile. In primo luogo, l'in-campione di dati viene caricato e utilizzato per creare un training set di regole che mappano la funzione di vettore per la variabile di interesse, il ritorno durante la notte: in Mathematica 10 Wolfram ha introdotto una serie di algoritmi di apprendimento automatico che includono la regressione, vicino più prossimo , reti neurali e foreste casuali, insieme con funzionalità per valutare e selezionare la migliore tecnica di apprendimento automatico performante. Queste strutture rendono molto straightfoward per creare un modello di classificatore o previsione utilizzando l'apprendimento della macchina algoritmi, come questo esempio il riconoscimento della scrittura: Creiamo un modello predittivo sulla trainingset SPY, permettendo Mathematica per scegliere il miglior algoritmo di apprendimento automatico: Ci sono una serie di opzioni per la funzione prevedono che può essere utilizzato per controllare la selezione delle funzioni, tipo di algoritmo, il tipo di prestazioni e obiettivo, piuttosto che semplicemente accettando le impostazioni predefinite, come abbiamo fatto qui: Dopo aver costruito il nostro modello di apprendimento automatico, si carica il out-of dati di esempio da gennaio 2015 ad agosto 2016 e creare una serie di test: Abbiamo poi creato un oggetto PredictionMeasurement, utilizzando il modello del vicino più vicino. che possono essere utilizzati per ulteriori analisi: Ci isn8217t molta dispersione nelle previsioni del modello, che tutti hanno un valore positivo. Una tecnica comune in questi casi è quello di sottrarre la media da ciascuna delle previsioni (e si può anche li standardizzare dividendo per la deviazione standard). La dispersione delle effettive contro prevedere rendimenti durante la notte in SPY ora assomiglia a questo: There8217s ancora una evidente mancanza di dispersione nei valori di previsione, rispetto ai rendimenti durante la notte reali, che potremmo rimediare per la standardizzazione. In ogni caso, sembra esserci un piccolo rapporto lineare tra meteorologiche e valori reali, che contiene qualche speranza che il modello può ancora essere utile. Dalla previsione di Trading Ci sono vari metodi di distribuzione di un modello di previsione, nel contesto della creazione di un sistema di trading. Il percorso più semplice, che prenderemo qui, è quello di applicare un cancello di soglia e convertire le previsioni filtrati direttamente in un segnale di trading. Ma altri approcci sono possibili, per esempio: Combinando le previsioni da modelli multipli per creare un insieme di predizione Utilizzando le previsioni come input per un modello di programmazione genetica Feeding le previsioni nello strato di input di un modello di rete neurale progettata specificamente per generare segnali di trading, piuttosto di previsioni in questo esempio verrà creato un modello di trading applicando un filtro semplice alle previsioni, individuando solo quei valori che superano una soglia specificata. Questo è un trucco standard utilizzato per isolare il segnale nel modello dal rumore di fondo. Accetteremo soltanto i segnali positivi che superano il livello di soglia, la creazione di un sistema di trading long-only. cioè ignoriamo le previsioni che ricadono al di sotto del livello di soglia. Acquistiamo SPY alla fine, quando la previsione supera la soglia e uscire da qualsiasi posizione lungo alle prossime day8217s aperte. Questa strategia produce i seguenti risultati pro-forma: Conclusioni Il sistema ha alcune caratteristiche molto interessanti, tra cui una percentuale di vincita di oltre 66 e un CAGR di oltre il 10 per il periodo out-of-sample. Ovviamente, questa è una illustrazione molto semplice: vorremmo di fattore di commissioni di negoziazione, e lo slittamento sostenute entrare e uscire posizioni nei periodi post e pre-mercato, che impattino negativamente le prestazioni, ovviamente. D'altra parte, abbiamo appena cominciato a grattare la superficie in termini di variabili che potrebbero essere considerati per l'inclusione nella funzione di vettore, e che possono aumentare il potere esplicativo del modello. In altre parole, in realtà, questo è solo l'inizio di un processo di ricerca lungo e laborioso. Tuttavia, questo semplice esempio dovrebbe essere sufficiente per dare al lettore un assaggio di what8217s coinvolti nella costruzione di un modello di trading predittivo per mezzo della macchina di apprendimento algorithms. Modeling Asset Processi Introduzione Negli ultimi venticinque anni significativi progressi sono stati fatti nella teoria dei processi di asset e esistono ormai una varietà di modelli matematici, molti dei quali computazionalmente trattabili, che forniscono una ragionevole rappresentazione delle loro caratteristiche distintive. Mentre il modello di movimento browniano geometrico rimane un punto fermo della teoria calcolo stocastico, it8230 Systematic Strategies Fund gennaio 2017 Commento La citazione da Bloomberg dice tutto: Il mese scorso ha caratterizzato più di una bella dose di emozioni politiche, come è arrivato Donald Trump alla Casa Bianca. Eppure è stato decisamente noioso per gli stock degli Stati Uniti, con un mese si rese conto della volatilità sul SampP 500 attestandosi a 6.51 come l'indice passa costantemente superiore. In records8230 valore condizionale a modelli di rischio Una delle misure di rischio più utilizzato è il Value-at-Risk, definito come la perdita attesa su un portafoglio a un livello di confidenza specificato. In altre parole, è un VaR percentile di una distribuzione delle perdite. Ma nonostante la sua VaR popolarità soffre di limitazioni ben note: la sua tendenza a sottovalutare il rischio nel (a sinistra) la coda of8230 Copule in Risk Management Copule nel Risk Management La strategia Volatility sistematica La strategia Volatility sistematica utilizza modelli matematici per quantificare il valore relativo prodotti ETF basato sulla volatilità CBOE SampP500 Index (VIX) e creare una positiva-alfa portafoglio volatilità longshort. La strategia è progettata per funzionare con fermezza in condizioni di mercato estreme, utilizzando la convessità positiva delle attività ETF sottostanti. Non rely8230 Le strategie sistematiche Systematic Strategies Quantitative Equity Strategy iniziato nel 2009 come una ditta di proprietary trading impegnata nel trading ad alta frequenza. Nel 2012 l'azienda ha ampliato nelle strategie di trading sistematico a bassa frequenza con il lancio della nostra strategia ETF VIX, che è stato sostituito nel 2015 dalla strategia di volatilità sistematica. L'azienda ha iniziato la gestione del capitale esterno nella sua piattaforma account gestito in 20158230. strategia del portafoglio Per molti decenni i principi di costruzione del portafoglio stabiliti da Harry Markovitz nel 1950 sono state ampiamente accettati come uno dei capisaldi della moderna teoria di portafoglio (come sintetizzato, per esempio, in questo articolo Wikipedia). I punti di forza e di debolezza della metodologia media-varianza sono ora ampiamente compresi e largamente accettati. Ma le alternative esistono, one8230 HFT VIX Scalper conduce Collective2 La nostra strategia VIX scalping ad alta frequenza è ora l'esecuzione di strategia di 1 superiore sul Collective2, con rendimenti di oltre 2700 da aprile 2016 con un Indice di Sharpe sopra 10 e Fattore di Rendimento di 2.8. Per più di fondo su HFT strategie di scalping vedere il seguente post: sistematiche strategie sistematiche Strategies Fund è stato lanciato nel 2009 come una ditta di proprietary trading impegnata nel trading ad alta frequenza. Nel 2012 l'azienda ha ampliato nelle strategie di trading sistematico a bassa frequenza con il lancio della nostra strategia VIX ETF. La strategia ETF originale VIX è stato sostituito nel 2015 dall'attuale strategia Volatility sistematica, che ha migliorato la versione originale di eliminating8230 L'algoritmo Una sfida è stata pubblicata di recente su LinkedIn per fornire un algoritmo per determinare il palindromo più lungo in una stringa specificata. Essa ha dimostrato di essere abbastanza semplice per gestire il problema in una sola riga di codice di Mathematica, come segue: TestString 8220ItellyoumadamthecatisnotacivicanimalalthoughtisdeifiedinEgypt8221 nlargest 5 TakeLargestByCasesStringCasesteststring,, si sovrappone - gt tutto, PalindromeQ, StringLength, nlargest Flatten8230
No comments:
Post a Comment