Matlab GPU Toolbox: Benchmarking AccelerEyes vs. MathWorks vs. GP-SIE? Es ist eine gute Option für die Beschleunigung Ihres Matlab-Code: Verwenden Sie Ihre Grafikkarte. Wenn Sie eine Nvidia-Grafikkarte haben, gibt es ein ganzes Universum von optimierten Code für diese Karten. Die zugrunde liegende Technologie wird als CUDA und viele der erforderlichen Funktionen für eine transparente Nutzung von Matlab bereits existieren. Es gibt drei wichtige Sammlungen: GPUMat von GP-YOU, Jacke aus AccelerEyes und dem Matlab Parallel Computing Toolbox von The MathWorks. Diese Toolboxen machen GPU-Programmierung in Matlab sehr einfach. Welches ist das beste? Verwenden Sie eine Grafikkarte für die Ausführung der intensive numerische Berechnungen. Konzepte von Matlab GPU-Programmierung Grundsätzlich gibt es zwei Konzepte für den Einsatz von GPUs in Matlab: Verwenden Sie einen GPU-Datentyp und entweder den Programmablauf in der Matlab-Interpreter oder übersetzen Sie die Ausführung in eine Zwischensprache (meist CUDA) und das Ergebnis ausführen direkt auf der GPU. Wenn der Matlab-Interpreter verwaltet die Programmausführung jeder Befehl gesondert auf die GPU gesendet. Diese oft dramatisch verlangsamt den Workflow und tötet die Leistung. Somit wird eine der Ausführungssequenz kompiliert wird, in den meisten Fällen erforderlich ist. Alle drei Toolboxen unterstützen die Zusammenstellung: Jacke von AccelerEyes tut es die meisten transparent, wodurch es für den Benutzer einfach macht. GPUMat beginnt der Compiler die meisten expliziten Aufruf einer C ++ Compiler und die Erzeugung von mex-Dateien. Die Matlab Parallel Computation Toolbox nicht wirklich zu kompilieren, aber schlägt mit einer speziellen Version von arrayfun (). Historische Performance liegt! Passen Sie von den Überlebenden Bias. Oft finden Sie Studien, wie gut ein Fonds oder eine Handelsstrategie durchgeführt hat. Sie müssen sich der Tatsache bewusst, dass im Grunde alle Studien auf Basis historischer Daten liegen oder zumindest nicht die ganze Geschichte erzählen zu tun. Es gibt zwei sehr unterschätzt Wirkungen: Survivor Bias und Fat Tails. Beide Effekte machen schlechte Strategien gut aussehen. In diesem Artikel zeige ich Ihnen, warum. Survivor Bias und Abschätzung der Fonds-Performance Wenn Sie einen Fonds laufen, Sie sind sehr glücklich über gute Leistung und unglücklich über schlechte Renditen. So sind Ihre Investoren. Was passiert, wenn Ihr Fonds führt Armen für mehrere Jahre in Folge? Sie verlieren Ihre Investoren und schließlich in der Nähe der Fonds. Diese Tatsache ist sehr wichtig: Nach dem Schließen des Fonds, verschwindet Ihre Fondsdaten in der Regel von der Marktdatenanbietern (Reuters, Bloomberg, Yahoo, etc.). Fund A, B, C, stellen alle verfügbaren öffentlichen Mittel im hypothetischen bigdata-Biologie-Cloud-Computing-Teilsektor (BBCC Sektor). In diesem Beispiel führt Fonds B so arm, dass sie im Jahr 4. jetzt geschlossen, die Durchführung einer Studie über die BBCC Sektor werden die Analysten historischen Daten für Fonds A und C zu finden, nur. Folglich werden sie eine durchschnittliche Performance von 9% pa zu melden im BBCC Sektor. Allerdings wäre ein echter Investor investiert in die BBCC Sektor verteilen ihre Investitionen gleichmäßig auf alle zur Verfügung stehenden Mittel (A, B und C) gewonnen haben 5% pa nur. Das ist etwa die Hälfte der Leistung von den Analysten sehen. Diese Art von Fehler tritt leicht und so oft. Survivor Bias und historischen Backtesting Ein ähnlicher Effekt passiert oft, wenn Leute versuchen, eine überlegene Handelsstrategie in historischen Marktdaten zu finden. Oft sehen Sie den folgenden Algorithmus für die Anpassungsparameter einer Trading-Strategie: Daten = Historische Marktdaten Wählen Sie Werte x_1, dass Parameter des Trading-Strategie S x_n Wenn die Leistung (S (x_1, x_n), Data) ist maximal alle möglichen Werte von (x_1, x_n) stoppen und x_1 zu x_n Es ist klar, diese Strategie S (x_1, x_n) beruht auf den verfügbaren historischen Daten große durchzuführen. Aber, sagt dies nichts über die zukünftige Entwicklung der Strategie. Und, in der Regel wird die Strategie nicht ausführen gut in der Zukunft. Wie kann man besser machen? Ein besserer Ansatz folgt, Aufteilung der Daten in einen Trainings - und einen Testsatz. Der resultierende Algorithmus wäre: Data_training = Halb Historische Marktdaten Data_test = andere Hälfte Historische Marktdaten Wählen Sie Werte x_1, dass Parameter des Trading-Strategie S x_n Wenn die Leistung (S (x_1, x_n), Data_training) ist maximal alle möglichen Werte von (x_1, x_n) Wenn die Leistung (S (x_1, x_n), Data_test) gut stoppen und Performance der S ist gut mit den Parametern: + x_1 zu x_n stoppen und Strategie S ist eine schlechte Strategie In diesem Fall wird die Handelsstrategie S auf einem Trainingssatz von der historischen Daten und der Leistung der Testfallsatz optimiert ist gut. Dies bedeutet aber nicht, dass die resultierende Strategie wird auch in der Zukunft durchzuführen. Aber zumindest habe auch auf unsichtbaren Daten durchzuführen. Jetzt ist dieses Algorithmus kann mit Strategie S zurück eine schlechte Strategie, die nicht zufriedenstellend für die meisten Menschen sein wird. Die meisten Menschen werden dann zu entwickeln mehr und mehr Strategien S_1 S_m, bis der Algorithmus kehrt Performance der S ist gut. Aber, das ist wirklich eine gute Strategie? Wenn Sie eine Antwort auf diese, stellen Sie sicher, dass Sie einige der historischen Daten für einer Überprüfung Ihrer Strategie auf dieser unsichtbaren Daten behalten und. Also, zur Optimierung eine Trading-Strategie benötigen Sie mindestens drei Datensätze: Trainingssatz, Prüfgerät und Validierungssatz. Auch dies wird nichts über die Leistung Ihrer Handelsstrategie in der Zukunft sagen. Aber es ist ein guter Hinweis darauf, ob Ihre Strategie leitet diese schwierige Strategie-Optimierung. Survivor Bias und Fat Tails Ein weiteres Feature, das falsche Ansichten über die Leistung von finanziellen Vermögenswerten oder Handelsstrategien erstellt werden fat tails. Es gibt verschiedene Arten von Handelsstrategien, die Arbitrage im Markt zu nutzen scheinen. Z. B. Volatilitätsarbitrage Mittel wurden vor einigen Jahren populär. Sie führen auch auf historischen Daten, und sie regelmässiges Einkommen ohne Risiko zu liefern. Doch plötzlich geschieht etwas: Plötzlich wird die Leistung von ein paar Jahren für immer verschwunden. Und, könnte dies auch mit Strategien, die risiko weniger wie Geldmarktfonds wahrgenommen werden passieren: Frühe Übung: Fluch oder Segen Viele Finanzkontrakte werden mit dem Recht auf Ausübung eines Rechts vorzeitig. Solche frühzeitigen Ausübung Rechte sind ein klarer Vorteil für den Optionsinhaber. Aber, diese Rechte schaffen optimale Stopp Probleme für den Vertragsparteien. Ist das wirklich ein Vorteil? Im Folgenden zeige ich Ihnen ein kleines Beispiel aus meiner letzten Einkaufsbummel und was wir daraus für die Gestaltung von Finanzprodukten zu lernen. Optimale Stopp wird benötigt, um vom frühen Übung Rechte profitieren. Hintergrund Viele Arten von gehandelten Finanz Optionen gehören frühzeitige Ausübung Rechte. Beispiele sind Index-Optionen, die oft früh ausübbar sind. Die Leute nennen diese Put - oder Call-Optionen amerikanische Optionen im Gegensatz zu europäischen Optionen, die nur am Laufzeitende ausgeübt werden. Diese Funktion ist auch in vielen Optionstypen und viele OTC-Kontrakte gemeinsam. Noch komplexer sind z. B. Wandelanleihen, wo auch der Emittent Umwandlung erzwingen. Das Hauptargument für die frühzeitige Ausübung Bestimmungen ist, dass die Kunden gerne Möglichkeiten. Daher Menschen oft argumentieren, dass man immer zu strukturieren Finanzinstrumente in einer Weise, dass der Halter früh das Produkt ausüben würde zu einem höheren Preis zu verkaufen. Jedoch ist dies nicht immer der Fall. Z. B. die Kosten für den frühzeitigen Ausübung Funktion ist nicht richtig in vielen Lebensversicherungsverträgen und in vielen Hypotheken vertreten. Wenn die Versicherungsnehmer würde mit dem Training beginnen, ihre Politik rationeller, könnten die Versicherungen in großen Schwierigkeiten sein. Optimales Stoppen Mit Blick auf frühzeitigen Ausübung Entscheidungen, würde Ich mag, um eine visuelle Beispiel liefern: Finden Sie einen guten Parkplatz an einem großen Supermarkt. In vielen Supermärkten, finden Sie einen Parkplatz wie folgt aus: Übliche Situation bei einem Supermarktpark Sie fahren langsam in Richtung Supermarkt und an jeder freien Stelle (1) Sie entscheiden, zu parken (Übung) oder fortzusetzen. Fortsetzung der Suche entwickelt sich das Risiko, dass Sie einen besseren Ort nicht finden, und Sie eine weitere volle Runde fahren. Eine einfache Lösung für dieses Problem ist, nehmen Sie nur den ersten leeren Stelle. In einem einfachen Zahlenbeispiel, so finden wir, dass diese Strategie geben würde, ist die folgende Verteilung der Abstand zum Markt: Histogramm der Verteilung der Abstand zum Supermarkt mit der einfachen Strategie: Nehmen Sie die erste leere Stelle. (10.000 Simulationen) In diesem Beispiel wird 10000 Monte-Carlo-Simulationen für die Suche nach einem Parkplatz. Da in diesem Beispiel gibt es nur eine Chance von 10%, dass jeder Ort ist leer, so finden wir oft eine sehr schlechte Stelle (zB mehr als 1.000 von 10.000 Park in einem Abstand von 20) und manchmal finden wir keine Stelle überhaupt (ca. 1.200 als Abstand 40 geschrieben). Weniger als 200 finden Sie die beste Stelle mit Abstand 1. Wenn wir möchten, um dieses Ergebnis zu verbessern, können wir ein Optimierungsproblem Minimierung der erwarteten Entfernung zum Supermarkt zu erstellen. Ich tat dies schriftlich ein wenig ThetaML, die Sie in der unten stehenden Anhang zu finden. Jetzt finden wir, dass die Maximierung Strategie ist es, die ersten vier Plätze (Entfernung 17 bis 20) vorbei und nehmen Sie die nächste leere Stelle dann. Diese lassen uns ohne ein Parkplatz in einem Abstand von 17 oder weiter. Die Wahrscheinlichkeit, dass man den besten Platz in der Entfernung 1 höher als 200 Simulationen enden hier. Doch kommt diese zu einem Preis: Mehr als 1.800 Simulationen nicht einen Platz finden, überhaupt und müssen für eine weitere Runde gehen: Histogramm der Verteilung der Abstand zum Supermarkt mit der optimalen Strategie: Nehmen Sie die erste leere Stelle durch Entfernung von weniger als 17 (10.000 Simulationen) Eine bessere Lösung Ok, investierte ich viel Wissen und etwas Programmier in die Optimierung der Trainingsstrategie am Parkplatz. Ist dies das Beste, was wir tun können? Es ist eigentlich eine bessere Lösung durch Umstellung des Parkplatzes: Neu angeordnet Parkplatz Nun, die einfache Strategie: Nimm die ersten leeren Stelle Ausbeuten zu einem viel besseren Ergebnis: Histogramm der Verteilung der Abstand zum Supermarkt mit einem besseren Parkplatz Layout und die einfache Strategie: Nehmen Sie die erste leere Stelle. (10.000 Simulationen) Mehr als 1.000 der 10.000 Simulationen finden Sie die beste Stelle in einem Abstand von weniger als 1 200 finden Sie einen schlechten Ort in einem Abstand von 20 und nur 1200 keine Stelle zu finden überhaupt. Dies ist viel besser als das vorherige optimale Lösung. Und ich habe nicht meinen Laptop mit mir zu nehmen, um die optimale Trainingsstrategie zu jedem Zeitpunkt Einkaufsmöglichkeiten. Ich wünschte, Parkplatz Architekten könnte dies zu sehen Unter diesen Gedanken auf die Finanzoptionsmarkt, was können wir tun? Vielleicht müssen die Anleger nicht zu amerikanischen Typs frühen Trainingsmöglichkeiten zu kaufen. Sie könnten es vorziehen Lookbacks, die eine maximale Auszahlung zu gewährleisten. Denk darüber nach! 25 Jahre deutsche DAX: Eine Erfolgsgeschichte? Am 1. Juli 1988 deutsche DAX veröffentlicht. Es war nicht nur ein Index der Deutschen Börse: Es wurde eine neue Methodik Berechnung eines Aktienindex. Der deutsche DAX war die erste populäre Index Gewichte nach Marktkapitalisierung und Berechnen Renditen einschließlich Dividenden enthalten. Jetzt, nach 25 Jahren ist es Zeit zu blicken, wie es durchgeführt wird. In den wichtigsten Indizes wie Dow-Jones Industrial Average oder Nikkei 225, ist der Indexwert berechnete auf Basis des Nominalwertes der Aktien als Gewichte in Summation der gehandelten Preise. Dies stellt hohe Gewicht auf die Industrie und das geringe Gewicht von High-Tech-Unternehmen. Stattdessen verwendet DAX die Marktkapitalisierung als Gewicht. Dies liefert ein realistischeres Bild der Auswirkungen der Geschäfte an der Börse. Die Bestandteile des DAX folgen eine quantitative Regel Im Gegensatz zu Dow-Jones und Nikkei, werden die Komponenten der DAX nicht von Zeitungspapier ausgewählt. Stattdessen folgen sie quantitative Regeln, wie mindestens 10% Streubesitz und in den Top 35 größten Unternehmen nach Marktkapitalisierung und in den Top 35 in der Umsatz auf Xetra Austausch. Dow-Jones, SP 500, Russel 1000, Nikkei und andere Indizes in der Regel einen Anteil von Aktiensplits. Aber, sie nicht für Dividenden oder Rechtsfragen zu berücksichtigen. Inklusive dieser Effekte wird DAX als Performance-Index berechnet. Auf diese Weise kehrt DAX liefern eine faire Schätzung für die Rendite der Investition in die entsprechenden Aktien im Index. Mit Blick auf die neuen Regeln für die Berechnung war state-of-the-art und etwas revolutionären DAX. Es gab Vorgängern wie SP 500 mit quantitativen Vorschriften für die Bestandteile und eine neue, aber unpopuläre Dow-Jones-Index Total Return Index eine Gesamtrendite Berechnung einschließlich Dividenden. Aber, die Sammlung von Merkmalen des DAX war einzigartig. Hat dieser eine einzigartige Erfolg, auch? DAX startete am 1. Juli 1988 bei 1140, so dass 31. Dezember 1987 hätte einen Indexwert von 1000 haben. Der einfachste Backtesting von Trading-Strategien: MS Excel Pivot Table! Vor der Verwendung Spezialwerkzeugen für Backtesting Ich schlage vor, dass man zunächst versucht, den MS-Excel Pivot-Tabelle. Die Pivot-Tabelle-Tool ist für Inspektion, Filterung und Analyse großer Datenmengen. In diesem Artikel werde ich darstellen, wie eine einfache Timing-basierten Strategie zu erstellen und wie Sie ihre bisherigen Ergebnisse zu berechnen. Im Folgenden werde ich Ihnen zeigen, wie man eine Analyse, wie der früheren Post zu erstellen: Verkaufen im Mai und Go Away Wirklich? . Schritt 1: Rufen Sie die Daten Erstens müssen wir, um die Daten für die Analyse zu erhalten. Wir wenden uns an Yahoo, um den Dow-Jones-Index zu holen (siehe Liste der Market Data Sources aus anderen Quellen). Irgendwie Yahoo Finanzierung verbirgt den Download-Button für den Dow-Jones-Index. Aber, es ist leicht zu erraten, den richtigen Link: Speichern Sie diese Datei auf die Festplatte. Dann öffnen Sie sie mit MS Excel 2010 und wir mit dem nächsten Schritt fort. Schritt 2: Hinzufügen von Spalten für die Leistung und Indicator Jetzt, in dieser Datei, fügen wir die log-Rendite (Return Spalte) für jeden Tag in der Zeitreihe: Dann, den Indikator der Handelsstrategie fügen wir in diesem Fall nur der Monat des Jahres: Schritt 3: Fügen Sie Pivot-Tabellen
No comments:
Post a Comment