Algorithmen sind eine hervorragende Möglichkeit, um zu investieren, ohne dass Gefühle die Oberhand gewinnen. Einer der größten Nachteile des Handels ist, dass Emotionen wie Panik oder Übereifer zu großen Fehlern führen können. Wenn wir mathematische oder automatisierte Berechnungen verwenden, können wir Gefühle außer Acht lassen. Hier sind einige der besten quantitativen Handelstechniken.
Algorithmen auf der Grundlage von Auftragsbüchern.
Es gibt verschiedene Möglichkeiten, um zu erfahren, welche Aufträge auf dem Markt ausgeführt werden bzw. welche zur Ausführung anstehen. In der Blockchain-Wirtschaft sind sie öffentlich und leicht zu extrahieren, um diese Aufträge dann zu analysieren oder eine Strategie zu entwickeln. Im Gegensatz dazu sind diese Aufträge auf dem Aktienmarkt nicht immer öffentlich. Es gibt Unternehmen, die diese Informationen an Anleger und Makler verkaufen. So zum Beispiel Bloomberg oder LSEG Data & Analytics, die diese Dienstleistung anbieten, und andere.
Die Quellen, aus denen diese Daten gewonnen werden, können sehr schwer zugänglich sein. Solche auf dem Orderbuch basierenden Algorithmen, die im algorithmischen Handel und in der quantitativen Finanzwirtschaft eingesetzt werden, können Millionen von Dollar kosten, und die Entwickler, die sie entwickeln, verdienen hohe Gehälter. Es gibt auch betrügerische Techniken zur Manipulation von Orderbüchern, wie Spoofing oder die Simulation falscher Trends. Auch andere, weniger ethische Strategien können angewandt werden, z. B. das Erkennen von Mustern anderer Anleger oder Bots mit dem Ziel, deren Strategien zu kopieren oder gegen sie zu investieren, dank Reverse Engineering oder Retro-Engineering.
Ein Beispiel für den Vorteil, über diese Informationen zu verfügen, wäre die Möglichkeit, einen großen Verkauf in mehreren Teilen durchzuführen, wobei die Orderbuchdaten berücksichtigt werden, so dass der Wert des Vermögenswerts so wenig wie möglich beeinträchtigt wird. Weniger Misstrauen gegenüber dem Handelsvolumen wecken.
Für den Hochfrequenzhandel werden ebenfalls Orderbuchdaten verwendet, um kleine Preisänderungen auszunutzen und Zeitpunkte für Arbitrage und weitere Strategien zu finden, die auf der Liquidität des Aktienmarktes basieren.
Berechnungen auf der Grundlage der mittleren Umkehrung.
Bei der Berechnung der Mean Reversion geht es darum, eine bestimmte Veränderung des Durchschnittspreises festzustellen. Nachdem eine solche Veränderung festgestellt wurde, sucht man manchmal nach Strategien, die auf der Annahme beruhen, dass der Kurs zu einer Situation zurückkehrt, die näher am Mittelwert liegt, oder sagt Kursveränderungen voraus. Einige Berechnungen zur Ermittlung der Mean Reversion:
- Einfacher gleitender Durchschnitt: Es wird der Durchschnitt der Preise eines Vermögenswerts über einen bestimmten Zeitraum berechnet.
- Exponentieller gleitender Durchschnitt: Ähnlich wie der einfache gleitende Durchschnitt, aber mit größerer Gewichtung der Preise aus engeren Zeiträumen.
- Standardabweichung: Sie misst die Streuung der Preise im Verhältnis zum gleitenden Durchschnitt.
- KI-Algorithmen: Basierend auf maschinellem Lernen oder Deep Learning. Zur Bestimmung, wann ein Preis nicht auf seinem Durchschnitt liegt, und zur Erstellung von Preisprognosen.
- Basierend auf Bollinger Bands: Verwendung einer Kombination aus gleitendem Durchschnitt und Standardabweichung.
Stochastische Berechnungsalgorithmen.
Die stochastische Berechnung gehört zu einem Zweig der Mathematik, der sich mit Zufallssystemen befasst. Dieser Zweig wird an führenden Finanzuniversitäten studiert, insbesondere an solchen, die quantitative Finanzen lehren wollen. Denn wenn es darum geht, Vorhersagen mit Derivaten zu treffen, haben sie sich als wirksam erwiesen und wurden sogar den Weisen, die sie zuerst veröffentlicht haben, zugesprochen. Was mich aufregt und sehr interessiert, ist, dass es wahrscheinlich viele mathematische Techniken für Vorhersagen gibt, die nie ans Licht kommen. Deshalb denke ich, dass, auch wenn dies veröffentlicht wurde, es nicht bedeutet, dass es Tausende von privaten Berechnungen und Algorithmen gibt, die in der Welt des algorithmischen Handels wirksam sind.
Die stochastische Mathematik kann auch in anderen Bereichen wie der Biologie, der Entwicklung der künstlichen Intelligenz oder der Physik eingesetzt werden, und Albert Einstein war 1905 ein Pionier bei ihrer Anwendung in der Physik. Die erste bekannte Anwendung der stochastischen Kalkulation in der Finanzwelt ist Louis Bachelier zu verdanken, der in seiner Dissertation mit dem Titel: Die Theorie der Spekulation (in französischer Sprache) veröffentlichte.
Zeitreihenanalyse.
Einfach ausgedrückt, sucht man nach Mustern, die mit der Zeitlichkeit zusammenhängen, wie z. B. die Saisonalität von Ernten, Trends in bestimmten Zeiträumen, Zyklen oder periodische Ereignisse im Allgemeinen. Ohne mir zu sehr den Kopf zu zerbrechen, kann ich aus dem Stegreif einige Werte nennen, wie Amazon-Aktien zu Weihnachten oder Rohstoffe aus dem Bereich der Landwirtschaft.
Hierfür können unzählige mathematische Formeln verwendet werden, wie z. B. saisonale Zerlegungen oder Klassifikationsbäume und viele andere Techniken. Mit einer Dekompositionstechnik können Trend, Saisonalität und Residuen analysiert werden. Ohne zu kompliziert zu werden, ist es auch möglich, prozentuale Erträge zu berechnen und einen Vergleich anzustellen.
Das SARIMA-Modell (Seasonal Autoregressive Integrated Moving Average) wird zur Vorhersage von Zeitreihen und saisonalen Faktoren verwendet. Es dient dazu, die saisonalen Schwankungen bestimmter Werte zu analysieren. Wenn wir diesen Algorithmus zum Beispiel auf ein Hotel anwenden, können wir berechnen, wann es Hochsaison hat.
Zeitreihen mit Prophet (Code)
Meta hat eine eigene Bibliothek für Zeitreihenprognosen entwickelt. Diese Technologie kann für Unternehmen mit stark saisonalen Verkäufen, für den Aktienmarkt, die Meteorologie und andere Fälle, die Saisonalität beinhalten, verwendet werden.
import io, os, sys, setuptools, tokenize
!pip install prophet
import pandas as pd
import yfinance as yf
from prophet import Prophet
import matplotlib.pyplot as plt
# Laden Sie Aktienkursdaten herunter
ticker = 'AAPL'
data = yf.download(ticker, start='2020-01-01', end='2024-08-26')
# Bereiten Sie Daten für den Propheten vor
data.reset_index(inplace=True)
data = data[['Date', 'Close']]
data.columns = ['ds', 'y']
# Stellen Sie sicher, dass die Spalte „ds“ keine Zeitzoneninformationen enthält
data['ds'] = data['ds'].dt.tz_localize(None)
# Erstellen und optimieren Sie das Prophet-Modell
model = Prophet()
model.fit(data)
# Erstellen Sie einen Datenrahmen für die nächsten 30 Tage
future = model.make_future_dataframe(periods=30)
# Machen Sie Prognosen
forecast = model.predict(future)
# Prognosen anzeigen
fig = model.plot(forecast)
plt.title(f'Pronóstico de Precios de Acciones de {ticker} para los Próximos 60 Días')
plt.xlabel('Fecha')
plt.ylabel('Precio en USD')
plt.show()
# Prognosen anzeigen
print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail(60))
Ich habe diesen Code an Apple-Aktien getestet, und er hat sich als recht effektiv erwiesen. Vielleicht war es nur ein Zufall, aber es hat mich überrascht.
Relatives Volumen (RVOL).
Vergleicht das aktuelle Volumen mit dem Volumen früherer Zeiträume. Wenn diese Berechnung ansteigt, deutet dies darauf hin, dass um diesen Wert herum mehr Liquidität als normal vorhanden ist, was bedeutet, dass der Preis steigen könnte, z. B. weil „Wale“ in den letzten Tagen gekauft haben, da große Investoren, die viel Volumen verwenden, in der Regel über Insiderinformationen oder bessere Prognoseinstrumente verfügen. Es können verschiedene Zeiträume gewählt werden, z. B. ein Vergleich mit 30- oder 60-Tage-Zeiträumen.
Vorhersagen in Bezug auf die Höhe des Volumens sind nicht immer genau. Ich persönlich kann jedoch sagen, dass der Preis des betreffenden Vermögenswerts im Allgemeinen steigt, wenn das Volumen stark ansteigt. Es ist wichtig, vorausschauend zu handeln, und das Volumen ist eine gute Möglichkeit, dies zu tun.
Es ist nicht unbedingt notwendig, diesen Algorithmus oder Indikator zu verwenden, es können auch andere Berechnungen auf der Grundlage von Statistiken oder maschinellem Lernen durchgeführt werden, die das Volumen als Analysefaktor haben. Was ich vermitteln möchte, ist, dass es wichtig ist, das Volumen zu betrachten und von dort aus unsere eigenen Algorithmen zu erstellen.
Algorithmen für den Paarhandel (Korrelationen)
Eine der Methoden, mit denen ich das meiste Geld mit dem Handel verdient und die höchste Erfolgsquote gehabt habe, ist das Spiel mit Korrelationen. Wenn z.B. Bitcoin an einem Tag stark ansteigt, mit einer kleinen Verzögerung, steigen die Aktien von Coinbase oder MicroStrategy auf breiter Front. Das ist kein Scherz, man kann an einem einzigen Tag sehr saftige Beträge verdienen, mit denen man sich Launen kaufen kann. Wenn Sie die mentale Stärke haben, Swing Trading zu betreiben, können die Gewinne beeindruckend sein.
Korrelationen sind einfach zu berechnen, es sind keine fortgeschrittenen Berechnungen erforderlich. Die NumPy-Bibliothek wird in Python verwendet. Anleger, die auf dem Devisenmarkt tätig sind, neigen auch dazu, dies mit Ländern zu tun, die über einen großen Rohstoffreichtum verfügen. Wenn beispielsweise die Gold– oder Ölpreise eines Tages stark ansteigen, ist es normal, dass Länder mit großen Bergbau- oder Ölvorkommen dies in ihren jeweiligen Währungen widerspiegeln. Das gilt auch für Bergbau- oder Ölaktien, obwohl dies nicht immer der Fall ist. Wenn wir Algorithmen zur Erstellung von Korrelationen verwenden, können wir Korrelationen nach Zeitbändern messen und sie auch schneller oder automatisiert erkennen.
Die Aktien eines Unternehmens können mit anderen Aktien korreliert sein. Dies kann der Fall sein, wenn eine der beiden Aktien einen hohen Prozentsatz der Aktien der anderen besitzt oder weil sie gemeinsame Interessen haben.
Kann quantitativer Handel die Indizes schlagen?
Ja, es gibt mehrere berühmte Anleger, denen es gelungen ist, die großen Indizes wie den SP500 oder den Nasdaq zu übertreffen. Einer der bekanntesten ist Jim Simons, der mit seinem Fonds Medallion (Renaissance Technologies) eine durchschnittliche jährliche Rendite von 60 % erzielte. Anstatt Wirtschaftswissenschaftler und Buchhalter einzustellen, beschäftigte er Mathematiker und Statistiker. Leider ist dieser Fonds für Kleinanleger geschlossen, so dass normale Menschen nicht von diesen großartigen Renditen profitieren können.
Jim Simons war ein hochrangiger Mathematiker jüdischer Herkunft, der in der Zeit des Kalten Krieges als Codeknacker tätig war. Später arbeitete er als Professor für Mathematik an den renommiertesten Universitäten wie Harvard und MIT. Er erhielt Preise für die Entdeckung wichtiger Theorien über die Anwendungen der Geometrie, die zur Entwicklung der Quantenphysik und der Stringtheorie beigetragen haben. Schließlich beschloss er in den späten 1970er Jahren, seine eigene Investmentgesellschaft (Renaissance Technologies LLC) zu gründen.
Wie kann man im quantitativen Finanzwesen arbeiten?
Bevor man darüber nachdenkt, was man studieren sollte, um im quantitativen Handel zu arbeiten, ist es wichtig zu wissen, dass es in diesem Arbeitsbereich verschiedene Rollen gibt. Die beliebtesten Rollen sind: quantitative Händler im Front Office (sie führen Geschäfte an der Front aus); Forscher, die die Entwicklung neuer Strategien erforschen; Entwickler, die die Software zur Durchführung von Geschäften, Datenanalysen und anderen Funktionen entwickeln; Risikomanager, die quantitative Analysen verwenden, Portfoliomanager und Validierer quantitativer Strategiemodelle. Ganz zu schweigen von der Rolle der Professoren an den Top-Finanzuniversitäten, von denen einige sehr teuer und ausgewählt sind.
Je nach Funktion müssen Sie das eine oder andere studieren. Im Allgemeinen ist es erforderlich, Englisch auf C1-Niveau zu lernen, einen Hochschulabschluss mit guten Kenntnissen in Mathematik und Statistik zu haben, sowie Spezialisierungen für den Finanzsektor und die Beherrschung von Programmiersprachen wie Python, R oder C++.
Es besteht auch die Möglichkeit, als Freiberufler, als Entwickler von automatisierten Systemen, als Privatlehrer, im Rahmen von Finanzierungskonten oder durch direkte Beschaffung von Privatkapital zu arbeiten.
Werkzeuge und Technologien für den quantitativen Handel.
Einige Tools können uns helfen, unsere Effizienz, Kompatibilität und Produktivität zu verbessern.
Programmiersprachen.
- C++: wird im Hochfrequenzhandel und im algorithmischen Handel verwendet. Diese Sprache ist sehr schnell. Geschwindigkeit kann bei bestimmten Strategien sehr wichtig sein. Selbst wenn es um Millisekunden geht.
- Python und R: Diese Sprachen sind weit verbreitet und kompatibel mit Mathematik, Datenanalyse und künstlicher Intelligenz. Python ist derzeit die weltweit am häufigsten verwendete Sprache auf Backend-Ebene (interne Architektur).
- Datenbanken: Sowohl SQL als auch NoSQL sind für einige Strategien unerlässlich.
Plattformen und Dienstprogramme.
- Anaconda: ist eine Suite, die uns eine bessere Kompatibilität mit einigen Bibliotheken und Tools bietet, wenn wir Python- oder R-Programme ausführen wollen. Insbesondere für Datenanalysefunktionen und wissenschaftliche Anwendungen. Der Paketmanager (Conda) ist sehr nützlich, da er weniger Probleme bei der Installation von widersprüchlichen Bibliotheken verursacht.
- Claude, ChatGPT und Copilot: Es gibt sehr gute Kritiken zu Claude, von Leuten, die in der Welt der quantitativen Finanzen sehr engagiert sind. Diese KI-Tools sparen eine Menge Zeit bei der Entwicklung.
- Visual Studio: ist eine IDE für die Software-Entwicklung, mit großartiger Unterstützung für Plugins und Programmiersprachen.
- Excel: wird immer noch in der Finanz- und Unternehmensindustrie verwendet. Es ist immer noch sehr nützlich und verfügt über neue Erweiterungen.
- MetaTrader: Handelssoftware, die automatisierte Algorithmen und eine eigene Programmiersprache (MQL) unterstützt.
Bloomberg-Terminal.
Mit Kosten von ca. 25.000 $ pro Jahr ist es das am meisten genutzte Werkzeug in der Investmentwelt. Es ist sozusagen die Arbeitsmaschine der wichtigsten Unternehmen und Investmentbanken. Es bietet eine unendliche Anzahl von Funktionen, vom Versenden von Aufträgen, dem Zugriff auf exklusive Daten und Informationen, dem Abrufen wichtiger Mitteilungen und Kalender bis hin zum Chatten mit anderen Fachleuten des Sektors oder sogar zum Reservieren von Restaurants.
Meine persönliche Meinung.
Meine persönliche Meinung zum quantitativen Handel und seiner Anwendung in Anlagestrategien ist nicht ganz positiv. Denn wir sollten nicht vergessen, dass auch andere, einfachere Methoden große Vorteile bieten können, wie beispielsweise die von Warren Buffet. Allerdings bin ich auch ein Softwareentwicklungs- und Philosophiefreak, so dass ich diese Welt sehr interessant finde. Was hat die Philosophie mit all diesen Dingen zu tun? Philosophen wie Pythagoras oder René Descartes suchten in der Mathematik nach dem Sinn des Lebens.