Minhas experiências como um desenvolvedor quantitativo em um fundo de hedge

Minhas experiências como um desenvolvedor quantitativo em um fundo de hedge

Por Michael Halls-Moore em 26 de dezembro de 2017

Eu escrevi muito sobre o site sobre como se tornar um engenheiro financeiro ou um analista quant, mas eu realmente não aprofundou o papel que eu realmente tinha em um hedge fund, que era o de um desenvolvedor de preços quantitativos ou o que ele Envolvidos. Uma vez que muitos de vocês estão provavelmente interessados ​​em programar tanto quanto matemática e finanças, faz sentido para mim discutir o que o papel era realmente como eo que eu estava trabalhando no "dia a dia", no caso de você decidir que este tipo de Trabalho é mais adequado do que um papel quant "mais puro".

Muitos hedge funds sistemáticos / quantitativos são estruturados como unidades independentes "intrapreneurial" que consistem em pequenos grupos de pesquisadores quant, comerciantes quant e desenvolvedores quant. Todos esses títulos de trabalho são prefixados com "quant", porque todos eles envolvem um grau significativo de matemática. Cada aspecto da negociação sistemática é altamente interligado e, portanto, cada indivíduo é exposto à matemática e algoritmos.

Em fundos sistemáticos existem três áreas-chave que precisam ser implementadas antes de um "pipeline de negociação" pode ser estabelecida. Em termos gerais, são:

Preços / Feeds: pesquisadores quantitativos e comerciantes precisam desenvolver seus algoritmos contra a série de preços de segurança. Assim, uma parte importante da pesquisa quantitativa é a obtenção de excelentes informações de preços de títulos de qualidade. A variedade de tipos de ração é extensa. Os dados precisam ser recuperados, armazenados, limpos e disponibilizados para quants de forma unificada. Este é o trabalho do desenvolvedor quantitativo de preços. Isso foi cerca de 80% do meu trabalho.

Sinais / Algoritmo (s): Este aspecto envolve a realização de pesquisas estatísticas sobre os dados de preços obtidos, a fim de identificar oportunidades de negociação. As estratégias empregadas pelos hedge funds são extremamente diversas. Para fundos sistemáticos, eles muitas vezes caem nos grupos de tendência de acompanhamento, média reversão, arbitragem estatística ou de alta freqüência / mercado fazendo. Todos os fundos manter seus cartões extremamente perto de seu peito tão boas estratégias raramente são reveladas. Esta área é o trabalho do pesquisador quantitativo ou comerciante.

Execução / Ordens: Uma vez que uma estratégia de negociação passou qualquer backtesting necessário e ganhou desempenho teórico suficiente, é o trabalho dos quants de execução para construir modelos para efetivamente obter os comércios para a troca sem incorrer em demasiada derrapagem ou custos de transação. Como com o preço, as equipes de PhDs trabalham frequentemente em algoritmos eficazes da execução - na execução e os sinais do fato têm a sobreposição significativa. Uma vez que o algoritmo de execução foi projetado, é o trabalho do desenvolvedor quantitativo de execução para construir uma interface para um corretor principal que permite que os negócios sejam realizados. Além disso, as ferramentas de gerenciamento de portfólio e reconciliação precisam ser totalmente automatizadas, com a capacidade de gerar relatórios instantâneos sobre a demanda. Este último foi cerca de 20% do meu trabalho.

Infelizmente eu não vou estar falando sobre o algoritmo exato que usamos, porque este artigo não é capaz de divulgar estratégias de negociação! No entanto, vou discutir os aspectos de preços de ser um desenvolvedor quantitativo.

Desenvolvimento Quantitativo de Preços

O preço consiste em quatro áreas principais: Conectando-se a fontes de dados e obtendo dados, armazenando esses dados de forma unificada, limpando os dados para que fiquem livres de erros e apresentando esses dados a pesquisadores de maneira simples e fácil de usar.

Nosso fundo predominantemente, mas não exclusivamente, utilizou um modelo de capital próprio longo / curto como um mecanismo de negociação. As principais classes de ativos foram as seguintes: Global Equities, macro de renda fixa e derivativos, forex spot (e futuros), commodities (futuros e opções) e índices como S & P500, FTSE100, VIX etc. Of-day / OHLC (aberto, alto, baixo, fechar) através de dez sondagens minutos de outras fontes proprietárias.

O primeiro passo para a construção de uma base de dados de títulos deste tipo é criar o que é conhecido como uma lista mestre de valores mobiliários. Isso lista cada segurança / recurso que pode ser de interesse em um único banco de dados não duplicado. Um dos principais problemas com essas listas mestre é que diferentes fontes referem-se à mesma segurança através de códigos diferentes. É necessário construir uma lista de mapeamento de títulos fornecendo dados de preços exclusivos para cada segurança.

Nossos dados de preços foram obtidos a partir de um mix de fontes proprietárias e gratuitas, geralmente através de Interfaces de Programação de Aplicativos (API), para que pudessem ser realizadas de forma repetida e automatizada. Construímos um sistema para verificar erros e sinalizar preocupações se os dados não foram obtidos ou não correspondem a outras fontes dos mesmos títulos. Nossos dados foram armazenados em um sistema de gerenciamento de banco de dados relacional (RDBMS), que tinha sido amplamente tweaked para o desempenho e nossos casos de uso.

Uma vez que os dados foram baixados, executamos três tipos principais de análise de dados e scripts de modificação. O primeiro verificou se valores idênticos foram obtidos para o mesmo valor obtido de fontes separadas. O segundo verificou que não havia "picos" inexplicados nos dados (isto é, desvios significativos do intervalo normal de negociação), o que é geralmente indicativo de um erro. O terceiro tipo de análise foi o ajuste de preços para ações corporativas (dividendos, divisão de ações, emissão de ações, etc), de tal forma que nosso fluxo de retorno de saída se tornou uma série de variações de preços em porcentagem, em vez de preços absolutos.

Estes dados foram então expostos a outros pacotes de software através de uma mistura de APIs internamente escritas e técnicas de replicação de banco de dados.

Todo este processo foi finalmente totalmente automatizado. As únicas tarefas manuais que precisavam ser executadas eram a verificação de logs de erros e a fixação de fontes de dados, a adição de novas fontes de dados e o ajuste de APIs para permitir que funções adicionais fossem chamadas.

Além dos meus deveres como um "price quant dev", também produzi ferramentas de relatórios baseados na web, ferramentas de reconciliação de portfólio e uma variedade de outros scripts de "manutenção" para certas tarefas. Todo este software foi escrito em uma mistura de Python (80%) e C ++ (20%). Eu usei C ++ onde eu precisava extensa aceleração de alguns algoritmos (particularmente reconciliação de portfólio) e Python para a maioria da coleta e armazenamento de dados. Também fizemos um uso intensivo do MatLab e do Excel para o desenvolvimento e análise de nossa estratégia.

Michael Halls-Moore

Mike é o fundador da QuantStart e tem estado envolvido na indústria de finanças quantitativas nos últimos cinco anos, principalmente como desenvolvedor quantitativo e, mais tarde, como consultor de comerciantes de quant para hedge funds.