In questo articolo voglio parlare dei metodi con cui io stesso identifico le strategie di trading algoritmico più redditizie. L’obiettivo di oggi è capire in dettaglio come trovare, valutare e selezionare tali sistemi. Descrivere in che modo identificare le migliori strategie a seconda sia del nostro stile di trading che delle prestazioni strategiche, come determinare il tipo e la quantità di dati storici da testare, come valutare nel dettaglio una strategia di trading e infine come procedere verso la fase di backtesting e implementazione di una strategia.

Determinare il proprio stile di trading

Per essere un trader di successo – sia discrezionale che algoritmico – è necessario porsi onestamente alcune domande. Il trading ti offre la possibilità di perdere denaro a un ritmo allarmante, quindi è necessario “conoscerti” per capire quale strategia scegliere.

Direi che la considerazione più importante è essere consapevoli della propria personalità. Il trading, in particolare il trading algoritmico, richiede un grado significativo di disciplina, pazienza e distacco emotivo. Dato che stai lasciando che un algoritmo esegua il trading al tuo posto, è necessario essere determinati ad non interferire MAI con una strategia dopo che viene messa ad operare con denaro reale. Questo può essere estremamente difficile, specialmente nei periodi di forte drawdown. Tuttavia, molte strategie che hanno dimostrato di essere altamente redditizie in un backtest possono essere rovinate da semplici interferenze. Comprendi che se desideri entrare nel mondo del trading algoritmico sarai emotivamente messo alla prova e, che per avere successo, è necessario superare queste difficoltà!

La prossima considerazione riguarda il tempo. Hai un lavoro a tempo pieno? Lavori a tempo parziale? Lavori da casa o hai un lungo tragitto giornaliero? Queste domande aiuteranno a determinare la frequenza delle strategia che dovresti cercare. Per quelli di voi che lavorano a tempo pieno, una strategia di futures infragiornaliero potrebbe non essere appropriata (almeno fino a quando non sarà completamente automatizzata!). I tuoi limiti di tempo dettano anche la tipologia della strategia. Se la tua strategia prevede molti trade e dipende dai feed di notizie (come un terminale Bloomberg), devi chiaramente essere realista riguardo alla tua capacità di gestirlo con successo mentre sei in ufficio! Per quelli di voi con molto tempo a disposizione, o le abilità per automatizzare una strategia, potrebbe essere interessante implementare una strategia di trading ad alta frequenza (HFT).

 

In qualsiasi caso, il trading implica studi e ricerche continui sulle strategie da applicare per mantenere un portafoglio costantemente redditizio. Nessuna strategia rimane “redditizia” per sempre. Quindi parte significativa del tempo assegnato al trading è dedicato al ricerca di nuove strategie. Chiediti se sei pronto a farlo, in quanto può essere la differenza tra una forte redditività o un lento declino verso le perdite.

Devi anche considerare il capitale da dedicare al trading. L’importo minimo ideale generalmente previsto per una strategia quantitativa è di 50.000 USD. Se dovessi ricominciare, inizierei con un importo maggiore, probabilmente più vicino a 100.000 USD. Questo perché i costi di transazione possono essere estremamente costosi per le strategie di media e alta frequenza ed è necessario disporre di capitale sufficiente per assorbirli nei periodi drawdown. Se stai pensando di iniziare con meno di 10.000 USD, dovrai limitarti alle strategie a bassa frequenza, scambiando solo uno o due beni, altrimenti i costi di transazione annullerebbero i profitti.

Interactive Brokers, che è uno dei broker più usati dai trader con competenze di programmazione, grazie alla sua API, prevede un capitale iniziale minimo di 10.000 USD.

 

La programmazione è un fattore importante nella creazione di una strategia di trading algoritmica automatizzata. Essere competenti in un linguaggio di programmazione come C++, Java, C#, Python o R permette di creare autonomamente il gestore di archiviazione dei dati end-to-end, il motore di backtest e il sistema di esecuzione. Questo ha una serie di vantaggi, il principale è la completa comprensione di tutti gli aspetti dell’infrastruttura di trading. Permette anche di esplorare le strategie a più alta frequenza in quanto hai il pieno controllo del tuo “stack tecnologico”. Questo significa che puoi testare il tuo software ed eliminare i bug, ma significa anche dedicare più tempo alla codifica dell’infrastruttura e meno all’attuazione delle strategie, almeno nella prima parte della tua carriera da algotrader. Potresti scoprire di essere a tuo agio nel trading in Excel o MATLAB e puoi esternalizzare lo sviluppo di altri componenti. Cosa che comunque non consiglio, in particolare per i trader che operano ad alta frequenza.

Devi chiederti cosa speri di ottenere con il trading algoritmico. Ti interessa un reddito regolare, per cui speri di ricavare guadagni dal tuo conto di trading? Oppure, sei interessato a un guadagno di capitale a lungo termine e puoi permetterti di fare trading senza la necessità di prelevare i fondi? La dipendenza dal reddito determinerà la frequenza della tua strategia. Prelievi più regolari di reddito richiederanno una strategia di trading a frequenza più alta con una minore volatilità (cioè un SharpeRatio più alto). I trader a lungo termine possono permettersi una frequenza di trading più tranquilla.

Infine, non illuderti di diventare estremamente ricco in un breve lasso di tempo! Il trading di Algo NON è uno schema che permette di arricchirsi rapidamente – semmai può essere uno schema che ti fa diventare povero molto più velocemente. Ci vuole una notevole disciplina, ricerca, diligenza e pazienza per avere successo nel trading algoritmico. Possono essere necessari mesi, se non anni, per generare una redditività costante.

Dove trovare nuove idee di trading algoritmico

Nonostante si pensi il contrario, in realtà è abbastanza semplice individuare strategie di trading redditizie tra quele di pubblico dominio. Mai come ora, le idee di trading sono facilmente disponibili per chiunque. Le riviste di finanza accademica, i blog di trading, i forum di trading, le riviste settimanli di trading e i testi specialistici forniscono migliaia di strategie di trading su cui basare le proprie idee.

Il nostro obiettivo come ricercatori di trading quantitativo è stabilire una pipeline di strategie che ci fornirà un flusso di nuove idee di trading. Idealmente vogliamo creare un approccio metodico per la ricerca, la valutazione e l’implementazione delle strategie che incontriamo. Gli obiettivi della pipeline sono di generare una quantità consistente di nuove idee e di fornirci un quadro per respingere la maggior parte di queste idee con un approccio non emotivo.

E’ necessario stare estremamente attenti a non permettere che i bias cognitivi influenzino la nostra metodologia decisionale. Questo potrebbe essere semplice come avere una preferenza per un asset o un mercato rispetto ad un’altro (ad esempio, l’oro e altri metalli preziosi) perché sono percepiti come più esotici. L’obiettivo deve essere sempre quello di trovare strategie costantemente  redditizie, con aspettative positive. La scelta della classe di attività dovrebbe essere basata su altre considerazioni, quali vincoli di capitale, le commissioni di intermediazione e capacità di leva finanziaria.

Se non conosci il concetto di una strategia di trading, il primo posto da guardare sono i libri di testo. I testi classici offrono una vasta gamma di idee più semplici e dirette con cui familiarizzare con il trading quantitativo. Ecco una selezione che raccomando per coloro che sono nuovi nel trading quantitativo, che gradualmente diventano più sofisticati mentre si procede con la lista:

Il passo successivo per trovare idee di strategie più sofisticate consiste nel consultare blog e forum di trading. Tuttavia, una nota di cautela: molti blog di trading si basano sul concetto di analisi tecnica. L’analisi tecnica si basa sull’uso di indicatori stardard e sulla  psicologia del trader che  determina le trendline o schemi di inversione dei prezzi degli asset.

Nonostante sia estremamente popolare nello mondo del trading, l’analisi tecnica è considerata in qualche modo inefficace dal comunity dei trader  quantitativi. Alcuni hanno suggerito che non sia differente dal leggere un oroscopo o studiare i fondi del caffè, in termini di potere predittivo! In realtà ci sono individui di successo che fanno uso dell’analisi tecnica. Tuttavia, come quants abbiamo a disposizione una strumentazione matematica e statistica più sofisticata, possiamo facilmente valutare l’efficacia di tali strategie basate sull’AT e prendere decisioni basate sui dati piuttosto che basarci sulle considerazioni emotive o sui preconcetti.

Ecco una lista dei migliori blog e forum sul trading algoritmico:

Dopo aver testato e valutato alcun delle strategie più semplici, per strategie più sofisticate è tempo di guardare alla letteratura accademica. Alcune riviste accademiche sono difficili da consultare, senza prevedere elevati abbonamenti o costi una tantum, è possibile consultare specifici server, che sono un repository web dei lavori accademici non ancora pubblicati perchè sono oggetto di revisione. Poiché ci interessa solamente le strategie che possiamo replicare, testare e ottenere una discreta redditività, la revisione prima della pubblicazione è un aspetto meno importante. Il principale svantaggio delle strategie accademiche è che possono spesso essere obsolete, richiedere dati storici oscuri e costosi, operate su asset poco liquide o non tenere conto dei costi delle commissioni, slippage o spread. Può anche non essere chiaro se la strategia di trading deve essere eseguita con ordini di mercato, ordini limite o se contiene stop loss ecc. Quindi è assolutamente essenziale replicare la strategia da soli nel miglior modo possibile, effettuare il backtest e aggiungere costi di transazioni realistici, cioè che includa tutti gli aspetti degli strumenti che vogliamo negoziare.

Ecco un elenco dei più noti server e riviste finanziarie da cui è possibile trarre nuove idee:

Trove nuove strategie quantitative richiede generalmente (ma non solo) una buona esperienza in una o più delle seguenti categorie:

  • Market microstructure – In particolare per le strategie ad alta frequenza, è possibile utilizzare la market microstructure, ossia l’analisi delle dinamiche dell’order-book al fine di generare redditività. Mercati diversi avranno vari limiti tecnologici, regolamentazioni, partecipanti al mercato e vincoli, tutti aspetti che possono essere sfruttati a vantaggio del trader tramite strategie specifiche. Questa è una zona molto sofisticata e i trader retail hanno difficoltà ad essere competitivi in questo spazio, in particolare perché i competor sono  hedge fund quantitativi e ben capitalizzati, con forti capacità tecnologiche.
  • Fund structure – I fondi d’investimento, come i fondi pensione, le partnership di investimento private (hedge fund), le società di consulenza e altri tipi di sono sottoposti sia ad una pesante regolamentazione che dall’enorme capitale da dover gestire. Questi vincoli causano un comportamento “prevedile” e possono essere sfruttati da trader più piccoli e quindi più agili. Ad esempio, i fondi di grandi dimensioni sono soggetti a limiti di capacità a causa delle loro dimensioni. Quindi, se hanno bisogno di scaricare rapidamente (vendere) una quantità di titoli, dovranno essere molto cauti altrimenti rischiano di “spostare il mercato”. Algoritmi sofisticati possono trarre vantaggio da questa e da altre inefficiente in un processo generale noto come fund structure arbitrage.
  • Machine learning/artificial intelligence – Negli ultimi anni gli algoritmi di apprendimento automatico si sono diffusi anche nei mercati finanziari. Approcci con reti neurali e algoritmi genetici sono stati tutti usati per prevedere i movimenti dei prezzi o per ottimizzare le strategie di trading. 
    Ci sono, naturalmente, molte altre aree per i quants da investigare. Discuteremo su come elaborare strategie personalizzate in dettaglio in un articolo successivo.

Continuando a monitorare questi siti su base settimanale o giornaliera, si inizia a ricevere un elenco quasi costante di strategie da una vasta gamma di fonti. Il prossimo passo consiste nel determinare come rifiutare un ampio sottoinsieme di queste strategie al fine di minimizzare lo spreco di tempo e risorse per il backtesting di strategie che potrebbero non essere redditizie.

 

Valutazione delle Strategie di Trading

La prima, e probabilmente la più ovvia, considerazione l’effettiva comprensione della strategia. Siamo in grado di spiegare la strategia in modo conciso o richiederà una serie di eventi e un elenco di parametri senza fine? Inoltre, la strategia ha buone e solide basi realistiche? Ad esempio, si potrebbe verificare qualche comportamento del mercato o qualche vincolo a cui i fondi sono soggetti che potrebbe causare i pattern che si sta tentando di sfruttare? Questo vincolo sarebbe ancora valido in caso di modifiche strutturali, come un’improvvisa e ampia modifica al contesto normativo? La strategia si basa su complesse regole statistiche o matematiche? Si applica a tutte le serie finanziare o è specifica per un determinato strumento o asset?

Si deve costantemente valutare tutti questi fattori quando si cercano nuovi metodi di trading, altrimenti si rischia di sprecare una notevole quantità di tempo nel tentativo di backtesting  e ottimizzare strategie non redditizie.

Una volta compresi i principi alla base della strategia si deve decidere se si adatta al proprio stile di trading. Questa non è una considerazione vaga come sembra! Le strategie differiranno sostanzialmente nelle loro caratteristiche di rendimento. Vi sono alcuni tipi di persone che possono gestire periodi di drawdown più significativi o che sono disposti ad accettare un rischio maggiore al fine di ottenere un rendimento maggiore. Nonostante il fatto che noi, come quants, proviamo ad eliminare il più possibile i bias cognitivi e dovremmo essere in grado di valutare oggettivamente una strategia, i bias si insinueranno sempre. Quindi abbiamo bisogno di mezzi meccanici e non emotivi attraverso i quali valutare le prestazioni delle strategie . Ecco l’elenco dei criteri che osservo quando valuto una potenziale nuova strategia:

  • Metodologia – La strategia è basata sul momentum, mean-reverting, market-neutral, direzionale? La strategia si basa su sofisticate (o complesse!) tecniche statistiche o machine learning difficili da comprendere e che richiedono un dottorato di ricerca in statistica? Queste tecniche introducono una quantità significativa di parametri, che potrebbero portare a errori di ottimizzazione? La strategia è in grado di resistere a un cambio di regime (vale a dire una potenziale nuova regolamentazione dei mercati finanziari)?
  • SharpeRatio – Caratterizza euristicamente il rapporto reward/risk della strategia. Quantifica quanto profitto è possibile ottenere con un accettabile livello di volatilità della curva equity. Naturalmente, è necessario determinare il periodo e la frequenza nei quali i rendimenti e la volatilità (cioè la deviazione standard) sono misurati. Una strategia di frequenza più alta richiederà una maggiore frequenza di campionamento della deviazione standard, ma, per esempio, un tempo complessivo più breve.
  • Leverage: la strategia richiede una leva significativa per essere redditizia? La strategia richiede l’uso di contratti derivati ​​con leva (futures, opzioni, swap) al fine di ottenere un rendimento? Questi contratti a leva possono avere una forte volatilità e quindi possono facilmente portare a margin call. Si dispone del capitale e del temperamento per sopportare tale volatilità?
  • Frequenza – La frequenza della strategia è intimamente legata allo stack tecnologico (e quindi alla competenza tecnologica), al SharpeRatio e al livello generale dei costi di transazione. In generale, le strategie ad alta frequenza richiedono più capitale, sono più sofisticate e più difficili da implementare. Tuttavia, supponendo che motore di backtesting sia performante e privo di bug, queste strategie hanno SharpeRatio molto alti.
  • Volatilità: la volatilità è strettamente correlata al “rischio” della strategia. E’ contraddistinto dal SharpeRatio lo contraddistingue. Una maggiore volatilità degli asset class sottostanti, se non controllata, causa spesso una maggiore volatilità della curva equity e quindi un SharpeRatio più basso. Naturalmente presumo che la volatilità positiva sia approssimativamente uguale alla volatilità negativa. Alcune strategie possono avere una maggiore volatilità al ribasso. Devi essere consapevole di queste caratteristiche.
  • Win / Loss, Average Profit / Loss – Le strategie differiscono nelle loro caratteristiche per il numero di vincite/perdite e per la media profitti/perdite. Si può avere una strategia molto redditizia, anche se il numero di trade  perdenti supera il numero di operazioni vincenti. Le strategie di momentum tendono ad avere questo schema in quanto si basano su un piccolo numero di “grandi successi” per essere redditizi. Le strategie di inversione della tendenza tendono ad avere profili opposti in cui ci molti trade “vincenti”, ma le operazioni in perdita possono incidere molto negativemente sul capitale.
  • Drawdown massimo: il drawdown massimo è Il drawdown è la discesa, la correzione, da un precedente massimo assoluto fino ad un minimo assoluto nella curva equity della strategia. Le strategie del momentum sono ben note per soffrire di periodi di estesi drawdown (a causa di una serie incrementale di molti trade perdenti). Molti trader si disperano nei periodi di drawdown estesi, nonostante i test storici hanno suggerito che questo comportamento è “tipico” per questa strategia. Si deve stabile quale percentuale di drawdown (e in quale periodo di tempo) sono accettabili prima di interrompere l’esecuzione della strategia. Questa è una decisione altamente personale e quindi deve essere valutata attentamente.
  • Capacità / Liquidità – A livello retail, a meno che non si stia tradando uno strumento altamente illiquido (come uno stock a ridotta capitalizzazione), non dovrete preoccuparvi molto della capacità strategica. La capacità determina la scalabilità della strategia a seconda del capitale. Gli hedge fund più grandi hanno notevoli problemi di capacità man mano che le loro strategie aumentano nella dotazione di capitale da gestire.
  • Parametri – Alcune strategie (in particolare quelle presenti nella comunity del Machine Learning) richiedono una grande quantità di parametri. Ogni parametro introdotto rende una strategia più vulnerabile al bias di ottimizzazione (noto come “curve-fitting”). E’ consigliato individuare le strategie con il minor numero di parametri possibile o assicurarsi  di disporre di una sufficiente quantità di dati con cui testare le strategie.
  • Benchmark – Quasi tutte le strategie (a meno che non siano  “absolute return”) sono misurate rispetto a un benchmark di performance. Il benchmark è solitamente un indice che caratterizza un ampio campione dello strumento o mercato su cui la strategia opera. Se la strategia negozia titoli azionari statunitensi a grande capitalizzazione, l’S&P500 sarebbe un benchmark naturale per misurare la propria strategia. I termini “alpha” e “beta”, applicati a strategie di questo tipo. Discuteremo questi coefficienti in modo approfondito negli articoli successivi.

 

Da notare che non abbiamo parlato dei rendimenti effettivi di una strategia. In realtà, i rendimenti forniscono informazioni limitate sull’efficacia della strategia. Non permettono di valutare la leva finanziaria, la volatilità, i benchmark o i requisiti patrimoniali. Pertanto le strategie vengono giudicate raramente solo in base ai loro rendimenti. Considerare sempre le prestazioni relative al rischio di una strategia, prima di esaminare i rendimenti.

In questa fase molte delle strategie trovate dalla nostra pipeline sono respinte immediatamente, dal momento che non soddisfano i requisiti di capitale, i vincoli di leva, la massima tolleranza di drawdown o la volatilità. Le strategie che rimangono possono ora essere utilizzate per il backtesting. Tuttavia, prima che sia possibile, è necessario considerare un criterio finale di esclusione, quello sulla disponibilità dei dati storici su cui testare queste strategie.

Ottenere i dati storici

Al giorno d’oggi, la complessità dei requisiti tecnici per l’archiviazione dei dati storici di tutti le asset class è notevole. Al fine di rimanere competitivi, sia i buy-side (fondi) che i sell-side (banche d’investimento) investono pesantemente nella loro infrastruttura tecnica. È imperativo considerare la sua importanza. In particolare, siamo interessati alla tempestività, all’accuratezza e ai requisiti di archiviazione. Si descrive ora i concetti basi per ottenere dati storici e come memorizzarli. Purtroppo questo è un argomento molto vasto e tecnico, quindi questo articolo non può essere esaustivo. Tuttavia, ho in programma di approfondire questo tema con articoli futuri. Nella sezione precedente si era impostata una pipeline strategica che permetteva di scartare determinate strategie sulla base di alcuni criteri.

In questa sezione filtreremo maggiormente le strategie in base agli approcci scelti per ottenere i dati storici. Le considerazioni principali (soprattutto a livello di trader retail) sono i costi dei dati, i requisiti di archiviazione e il livello di competenza tecnica. Dobbiamo anche discutere i diversi tipi di dati disponibili e le diverse considerazioni che ogni tipo comporta.

Iniziamo identificando i tipi di dati disponibili e le questioni chiave su cui dovremo riflettere:

  • Dati fondamentali – Include i dati sugli andamenti macroeconomici, come tassi di interesse, i dati sull’inflazione, le dinamiche societarie (dividendi, scissioni), i bilanci societari, dati sugli utili, i rapporti sulle colture, dati meteorologici, ecc. Questi dati vengono spesso usati per valutare le società o altre attività su aspetti di ambito fondamentale, ad esempio attraverso i valori attesi per i futuri flussi di cassa. Non include le serie dei prezzi delle azioni. Alcuni dati fondamentali sono disponibili gratuitamente dai siti web dei governi. Altri dati fondamentali storici a lungo termine possono essere estremamente costosi. I requisiti di archiviazione spesso non sono particolarmente ampi, a meno che non vengano studiate contemporaneamente migliaia di società.
  • Dati delle notizie – Questi dati sono spesso di natura qualitativa. Consiste in articoli, post di blog, post di microblog (“tweet”) ed editoriali. Le tecniche di apprendimento automatico sono spesso usate per interpretare il sentiment. Questi dati sono spesso anche liberamente disponibili o economici, tramite l’abbonamento ai media. I nuovi database di archiviazione dei documenti “NoSQL” sono progettati per archiviare questo tipo di dati qualitativi non strutturati.
  • Dati sui prezzi degli asset – Questo è il dominio dei dati tradizionalmente utilizzato dagli algotrader. Consiste in serie temporali dei prezzi degli strumenti finanziari. Azioni (titoli), prodotti a reddito fisso (obbligazioni), materie prime e valute sono tutti presenti all’interno di questa tipologia. Per gli asset più diffusi i dati storici giornalieri sono spesso semplici da ottenere, come per le azioni. Tuttavia, una volta che accuratezza e pulizia sono state incluse e le distorsioni statistiche rimosse, i dati possono diventare costosi. Inoltre, i dati delle serie temporali hanno spesso requisiti di archiviazione significativi, specialmente quando si considerano i dati intraday.
  • Strumenti finanziari – Le azioni, le obbligazioni, i futures e le opzioni derivate più esotiche hanno caratteristiche e parametri molto diversi. Quindi non esiste una struttura di database “universale” che possa gestirli. È necessario prestare particolare attenzione alla progettazione e alla realizzazione dei database per i vari strumenti finanziari utilizzati. Si approfondisce questo tema negli articoli relativi ai securities master database.
  • Frequenza – Maggiore è la frequenza dei dati, maggiori sono i costi e i requisiti di archiviazione. Per le strategie a bassa frequenza, i dati giornalieri sono spesso sufficienti. Per le strategie ad alta frequenza, potrebbe essere necessario ottenere dati a livello di tick e persino i dati storici di particolari order-book. L’implementazione di un motore di archiviazione per questo tipo di dati è molto intensa dal punto di vista tecnologico e adatta solo a coloro che hanno un forte background tecnico / di programmazione.
  • Benchmark – Le strategie sopra descritte saranno spesso confrontate con un benchmark. Questo di solito si manifesta come serie temporali finanziarie aggiuntive. Per le azioni, questo benchmark è spesso un indice azionario nazionale, come l’S&P500 (USA) o il FTSE100 (Regno Unito). Per un fondo a reddito fisso, è utile confrontarsi con un paniere delle obbligazioni o di prodotti a reddito fisso. Anche il “risk-free rate” (cioè il tasso di interesse appropriato) è un altro benchmark ampiamente accettato. Tutte le categorie di asset class possiedono un relativo benchmark di riferimento, quindi sarà necessario effettuare una ricerca in base alla propria particolare strategia, se si desidera ottenere un ritorno interessate per la propria strategia.
  • Tecnologia – Le tecnologie usate dietro un centro di archiviazione di dati finanziari sono complesse. Questo articolo può solo introdurre tutti gli aspetti coinvolti nella costruzione di centro di archiviazione. Tuttavia, si concentra su un motore di database, come un sistema di gestione di database relazionale (RDBMS), come MySQL, SQL Server, Oracle) e uno schema di archiviazione di documenti (ad esempio “NoSQL”). Questo è accessibile tramite il codice che implementa la  “business logic”, interrogando il database e fornendo  l’accesso a strumenti esterni, come MATLAB, R o Excel. Spesso questa logica è scritta in C ++, C #, Java o Python. Bisogna anche bisogno di ospitare questi dati da qualche parte, sul un personal computer, o su un server remoto. Prodotti come Amazon Web Services hanno reso più semplice ed economico questo lavoro, ma richiede comunque una notevole esperienza tecnica per ottenere risultati solidi.

Come si può vedere, una volta che una strategia è stata identificata tramite la pipeline, sarà necessario valutare la disponibilità, i costi, la complessità e i dettagli di implementazione di un particolare insieme di dati storici. Potresti scoprire che è necessario scartare una strategia basandosi esclusivamente su valutazioni dei dati storici. Questo è un tema molto ampio ed è oggetto di lavoro di squadre di ricercatori all’interno dei grandi fondi di investimento, assicurandosi che i prezzi siano accurati e tempestivi. Non sottovalutare le difficoltà di creare un robusto data center per i propri scopi di backtesting!

Voglio sottolineare, tuttavia, che molte piattaforme di backtesting possono fornire questi dati automaticamente, ad un determinato costo. Di conseguenza, si toglie molto lavoro alla gestione dei dati e ci si può concentrare esclusivamente sull’implementazione e l’ottimizzazione della strategia. Strumenti come TradeStation possiedono questa capacità. Tuttavia, la mia opinione personale è quella di implementare internamente il più possibile ed evitare di esternalizzare parti dello stack ai fornitori di software. Preferisco le strategie ad alta frequenza grazie ai loro SharpeRatio più attraenti, ma sono spesso strettamente collegate allo stack tecnologico, dove l’ottimizzazione avanzata è fondamentale.

Ora che abbiamo discusso le questioni relative ai dati storici, è ora di iniziare a implementare le nostre strategie in un motore di backtesting. Questo sarà oggetto di altri articoli, poiché si tratta di un’area di discussione altrettanto ampia!

Recommended Posts