Kvantitative Trading Strategier Bøker

Beginner39s guide til kvantitativ handel I denne artikkelen skal jeg introdusere deg til noen av de grunnleggende konseptene som følger med en end-to-end kvantitativ handelssystem. Dette innlegget vil forhåpentligvis tjene to publikum. Den første vil være enkeltpersoner som prøver å skaffe seg en jobb hos et fond som en kvantitativ handelsmann. Den andre vil være personer som ønsker å forsøke å sette opp sin egen algoritmiske handelsvirksomhet. Kvantitativ handel er et ekstremt sofistikert område med kvantfinansiering. Det kan ta betydelig tid å få den nødvendige kunnskapen til å passere et intervju eller konstruere egne handelsstrategier. Ikke bare det, men det krever omfattende programmeringskompetanse, i det minste på et språk som MATLAB, R eller Python. Men ettersom handelsfrekvensen i strategien øker, blir de teknologiske aspektene mye mer relevante. Det er derfor av avgjørende betydning å være kjent med CC. Et kvantitativt handelssystem består av fire hovedkomponenter: Strategi Identifikasjon - Finne en strategi, utnytte en kant og avgjøre handelsfrekvens Strategi Backtesting - Innhenting av data, analyse av strategiytelse og fjerning av forstyrrelser Execution System - Kobling til megling, automatisering av handel og minimering transaksjonskostnader Risikostyring - Optimal kapitalallokering, innsatsstørrelseKjelkriterium og handelspsykologi Nå bør du begynne å se på hvordan du identifiserer en handelsstrategi. Strategi Identifikasjon Alle kvantitative handelsprosesser begynner med en første undersøkelsesperiode. Denne forskningsprosessen omfatter å finne en strategi for å se om strategien passer inn i en portefølje av andre strategier du kan kjøre, oppnå data som er nødvendige for å teste strategien og forsøke å optimalisere strategien for høyere avkastning og lavere risiko. Du må faktor i dine egne kapitalkrav hvis du kjører strategien som en detaljhandler og hvordan eventuelle transaksjonskostnader vil påvirke strategien. I motsetning til populær tro er det faktisk ganske greit å finne lønnsomme strategier gjennom ulike offentlige kilder. Akademikere publiserer regelmessig teoretiske handelsresultater (om enn det meste brutto transaksjonskostnader). Kvantitative finansblogger vil diskutere strategier i detalj. Handelsjournaler vil skissere noen av strategiene som brukes av midler. Du kan spørsmålet hvorfor enkeltpersoner og firmaer er opptatt av å diskutere deres lønnsomme strategier, spesielt når de vet at andre som trenger handel, kan stoppe strategien fra å jobbe på sikt. Årsaken er at de ikke ofte vil diskutere de nøyaktige parametrene og innstillingsmetodene de har utført. Disse optimeringene er nøkkelen til å gjøre en relativt middelmådig strategi til en svært lønnsom. Faktisk er en av de beste måtene å lage dine egne unike strategier, å finne lignende metoder og deretter utføre din egen optimaliseringsprosedyre. Her er en liten liste over steder å begynne å lete etter strategiideer: Mange av strategiene du vil se på, kommer til å falle inn i kategoriene av gjennomsnittlig reversering og trend-etterfølgende moment. En gjennombruddsstrategi er en som forsøker å utnytte det faktum at et langsiktig gjennomsnitt på en prisserie (for eksempel spredningen mellom to korrelerte eiendeler) eksisterer, og at kortsiktige avvik fra dette gjennomsnittet til slutt vil komme tilbake. En momentumstrategi forsøker å utnytte både investorpsykologi og stor fondstruktur ved å ha en tur på en markedstendens, som kan samle fart i en retning, og følge trenden til den reverserer. Et annet enormt viktig aspekt ved kvantitativ handel er hyppigheten av handelsstrategien. Lavfrekvent handel (LFT) refererer generelt til enhver strategi som har eiendeler lenger enn en handelsdag. Tilsvarende refererer høyfrekvent handel (HFT) generelt til en strategi som har eiendeler i dag. Ultrahøyfrekvenshandel (UHFT) refererer til strategier som holder eiendeler i rekkefølgen av sekunder og millisekunder. Som en detaljhandler er HFT og UHFT sikkert mulig, men bare med detaljert kunnskap om handelssteknologi stabelen og ordrebokdynamikken. Vi vil ikke diskutere disse aspektene i stor grad i denne innledende artikkelen. Når en strategi eller et sett av strategier er blitt identifisert, må det nå testes for lønnsomhet på historiske data. Det er domenet til backtesting. Strategi Backtesting Målet med backtesting er å gi bevis på at strategien identifisert via den ovennevnte prosessen er lønnsom når den brukes på både historiske og utestengede data. Dette setter forventningen om hvordan strategien vil utføre i den virkelige verden. Imidlertid er backtesting ikke en garanti for suksess, av ulike årsaker. Det er kanskje det mest subtile området med kvantitativ handel siden det innebærer en rekke forstyrrelser, som må vurderes og elimineres så mye som mulig. Vi vil diskutere de vanlige typene av forstyrrelser, inkludert forutgående forspenning. overlevelsesforstyrrelser og optimaliseringsforstyrrelser (også kjent som data-snooping bias). Andre områder av betydning innen backtesting inkluderer tilgjengelighet og renslighet av historiske data, factoring i realistiske transaksjonskostnader og avgjørelse om en robust backtesting-plattform. Tenk godt om transaksjonskostnadene ytterligere i delen Execution Systems nedenfor. Når en strategi er identifisert, er det nødvendig å skaffe seg de historiske dataene gjennom hvilke å ​​utføre testing og, kanskje, raffinement. Det er et betydelig antall datalagere på tvers av alle aktivaklasser. Deres kostnader er generelt i samsvar med kvaliteten, dybden og aktualiteten til dataene. Det tradisjonelle utgangspunktet for begynnende kvanthandlere (minst på detaljnivå) er å bruke det frie datasettet fra Yahoo Finance. Jeg vil ikke bo på leverandører for mye her, men jeg vil helst konsentrere meg om de generelle problemene når det gjelder historiske datasett. De viktigste bekymringene med historiske data inkluderer nøyaktighet, overlevelsesforstyrrelser og justering for bedriftsaksjoner som utbytte og aksjesplittelser. Nøyaktigheten gjelder dataens generelle kvalitet - om den inneholder feil. Feil kan noen ganger være lett å identifisere, for eksempel med et spikefilter. som vil plukke ut feil pigger i tidsseriedata og korrigere for dem. Andre ganger kan de være svært vanskelig å få øye på. Det er ofte nødvendig å ha to eller flere leverandører og deretter sjekke alle dataene sine mot hverandre. Overlevelsesforstyrrelser er ofte en funksjon av gratis eller billige datasett. Et datasett med overlevelsesforstyrrelser betyr at det ikke inneholder eiendeler som ikke lenger handler. For aksjer betyr dette delistedbankrupt aksjer. Denne bias betyr at enhver aksjehandelsstrategi som er testet på et datasett, sannsynligvis vil fungere bedre enn i den virkelige verden som de historiske vinnerne allerede er forhåndsvalgt. Virksomhetsaksjoner omfatter logistiske aktiviteter utført av selskapet som vanligvis medfører en trinnfunksjon endring i råprisen, som ikke skal inkluderes i beregningen av prisavkastningen. Justeringer for utbytte og aksjeklover er de vanlige synderne. En prosess kjent som tilbakestilling er nødvendig for å bli utført ved hver av disse handlingene. Man må være veldig forsiktig for ikke å forvirre en aksjesplitt med en ekte avkastningsjustering. Mange næringsdrivende har blitt fanget ut av en bedriftsaksjon For å kunne utføre en backtest-prosedyre, er det nødvendig å bruke en programvareplattform. Du har valget mellom dedikert backtest-programvare, for eksempel Tradestation, en numerisk plattform som Excel eller MATLAB eller en full tilpasset implementering i et programmeringsspråk som Python eller C. Jeg vil ikke bo for mye på Tradestation (eller lignende), Excel eller MATLAB, som jeg tror på å skape en full innebygd teknologi-stabell (av årsaker som er skissert nedenfor). En av fordelene ved å gjøre det er at backtestprogramvaren og eksekveringssystemet kan være tett integrert, selv med ekstremt avanserte statistiske strategier. For spesielt HFT-strategier er det viktig å bruke en tilpasset implementering. Ved backtesting av et system må man kunne kvantifisere hvor godt det utfører. Bransjestandardene for kvantitative strategier er maksimal drawdown og Sharpe Ratio. Maksimal drawdown karakteriserer den største topp-til-gjennom-dråpen i konto egenkapitalkurven over en bestemt tidsperiode (vanligvis årlig). Dette er oftest sitert som en prosentandel. LFT strategier vil ha en tendens til å ha større drawdowns enn HFT strategier, på grunn av en rekke statistiske faktorer. En historisk backtest viser den siste maksimale drawdownen, noe som er en god guide til strategiens fremtidige drawdown-ytelse. Den andre måling er Sharpe-forholdet, som er heuristisk definert som gjennomsnittet av meravkastningen dividert med standardavviket for disse meravkastningene. Her refererer meravkastning til strategiens avkastning over et forhåndsbestemt referanseindeks. slik som SP500 eller en 3-måneders statsskatt. Merk at årlig avkastning ikke er et mål som vanligvis benyttes, da det ikke tar hensyn til strategiens volatilitet (i motsetning til Sharpe-forholdet). Når en strategi er blitt testet og anses å være fri for biases (så mye som det er mulig), med en god Sharpe og minimerte drawdowns, er det på tide å bygge et eksekveringssystem. Eksekveringssystemer Et eksekveringssystem er det middel som gjør at listen over transaksjoner generert av strategien sendes og utføres av megleren. Til tross for at handelsgenerasjonen kan være halv - eller til og med fullt automatisert, kan utførelsesmekanismen være manuell, semi-manuell (dvs. ett klikk) eller fullt automatisert. For LFT-strategier er manuelle og semi-manuelle teknikker vanlige. For HFT-strategier er det nødvendig å skape en fullautomatisk utførelsesmekanisme, som ofte vil være tett kombinert med handelsgeneratoren (på grunn av sammenheng mellom strategi og teknologi). Nøkkelhensynene ved opprettelse av et kjøresystem er grensesnittet til megling. minimering av transaksjonskostnader (inkludert provisjon, slipp og spredning) og divergens av ytelsen til live-systemet fra tilbakeprøvd ytelse. Det er mange måter å grensesnitt til en megling. De spenner fra å ringe opp megleren på telefonen helt til et fullt automatisert applikasjonsprogrammeringsgrensesnitt (API) med høy ytelse. Ideelt sett vil du automatisere utførelsen av handler så mye som mulig. Dette frigjør deg for å konsentrere seg om ytterligere forskning, samt tillate deg å kjøre flere strategier eller til og med strategier med høyere frekvens (faktisk er HFT i det vesentlige umulig uten automatisk utførelse). Den vanlige backtestingsprogrammet som er skissert ovenfor, som MATLAB, Excel og Tradestation, er bra for lavere frekvens, enklere strategier. Imidlertid vil det være nødvendig å konstruere et internt kjøringssystem skrevet i et høypresterende språk som C for å gjøre noen ekte HFT. Som en anekdote, i fondet jeg pleide å være ansatt hos, hadde vi en 10 minutters handelsløkke hvor vi ville laste ned nye markedsdata hvert 10. minutt og deretter utføre handler basert på denne informasjonen i samme tidsramme. Dette brukte et optimert Python-skript. For noe som nærmer seg mini - eller andrefrekvensdata, tror jeg at CC ville være mer ideell. I et større fond er det ofte ikke domenet til quant trader for å optimalisere utførelsen. Men i mindre butikker eller HFT-firmaer, er handelsfolk BE eksekutorene, og så er en mye bredere ferdighet ofte ønskelig. Vær oppmerksom på om du ønsker å være ansatt i et fond. Programmeringsevnen din vil være like viktig, om ikke mer, enn statistikken din og økonometriske talenter. Et annet stort problem som faller under banneret til utførelse, er at transaksjonskostnadsminimering. Det er generelt tre komponenter til transaksjonskostnader: Provisjoner (eller skatt), som er gebyrene som belastes av megling, bytte og SEC (eller lignende statlig tilsynsorgan) slippage, som er forskjellen mellom hva du tenkte at bestillingen din skulle være fylt på versus hva det faktisk var fylt på spredning, som er forskjellen mellom budprisen på sikkerheten som handles. Vær oppmerksom på at spredningen ikke er konstant og er avhengig av den nåværende likviditeten (dvs. tilgjengeligheten av kjøpsordre) i markedet. Transaksjonskostnader kan gjøre forskjellen mellom en ekstremt lønnsom strategi med et godt Sharpe-forhold og en ekstremt ulønnsom strategi med et forferdelig Sharpe-forhold. Det kan være en utfordring å korrekt forutsi transaksjonskostnader fra en backtest. Avhengig av frekvensen av strategien, trenger du tilgang til historiske utvekslingsdata, som vil inneholde kryssdata for budsjettpriser. Hele teamet av quants er dedikert til optimalisering av gjennomføring i de større fondene, av disse årsakene. Tenk på scenariet der et fond må avlaste en betydelig mengde handler (hvorav grunnene til å gjøre det er mange og varierte). Ved å dumpe så mange aksjer på markedet, vil de raskt redusere prisen og kan ikke få optimal utførelse. Derfor eksisterer algoritmer som drikker foderordrer på markedet, selv om fondet løper risikoen for glidning. Videre utfordrer andre strategier disse nødvendighetene og kan utnytte ineffektiviteten. Dette er domenet i fondsstrukturarbitrage. Det endelige hovedproblemet for eksekveringssystemer gjelder divergens av strategiytelse fra tilbakeprøvd ytelse. Dette kan skje av flere grunner. Weve har allerede diskutert fremtidsforstyrrelser og optimaliseringskonsekvenser i dybden, når vi vurderer backtests. Noen strategier gjør det imidlertid ikke enkelt å teste for disse biases før distribusjon. Dette skjer i HFT mest overveiende. Det kan være feil i kjøringssystemet, så vel som handelsstrategien selv som ikke vises på en backtest, men viser seg i live trading. Markedet kan ha vært gjenstand for en regimeendring etter utplasseringen av strategien din. Nye reguleringsmiljøer, endring av investorens følelser og makroøkonomiske fenomener kan alle føre til avvik i hvordan markedet oppfører seg og dermed lønnsomheten i strategien din. Risikostyring Det endelige stykket til det kvantitative handelsspillet er prosessen med risikostyring. Risiko inkluderer alle de tidligere forutsetningene vi har diskutert. Det inkluderer teknologi risiko, for eksempel servere samlokalisert på utveksling plutselig utvikle en feil på harddisken. Det inkluderer meglerisiko, slik som megleren blir konkurs (ikke så gal som det høres, gitt den siste skremme med MF Global). Kort sagt dekker det nesten alt som muligens kunne forstyrre handelsimplementasjonen, hvorav det er mange kilder. Hele bøkene er viet til risikostyring for kvantitative strategier, så jeg vil ikke forsøke å belyse alle mulige risikokilder her. Risikostyring omfatter også det som kalles optimal kapitalallokering. som er en gren av portefølje teori. Dette er måten som kapital er allokert til et sett av forskjellige strategier og til handler innenfor disse strategiene. Det er et komplekst område og er avhengig av noen ikke-trivial matematikk. Industristandarden med hvilken optimal kapitalfordeling og innflytelse av strategiene er relatert kalles Kelly-kriteriet. Siden dette er en innledende artikkel, vil jeg ikke bo på beregningen. Kelly-kriteriet gir noen antagelser om den statistiske karakteren av avkastningen, som ikke ofte holder fast i finansmarkedet, slik at handelsmenn ofte er konservative når det gjelder implementeringen. En annen viktig del av risikostyringen er å håndtere en egen psykologisk profil. Det er mange kognitive forstyrrelser som kan krype inn i handel. Selv om dette er riktignok mindre problematisk med algoritmisk handel hvis strategien er igjen. En felles bias er at tap aversjon hvor en tapende stilling ikke vil bli stengt ut på grunn av smerten ved å måtte innse et tap. På samme måte kan fortjeneste bli tatt for tidlig fordi frykten for å miste en allerede oppnådd fortjeneste kan være for stor. En annen vanlig bias er kjent som nyhetsforspenning. Dette manifesterer seg når handelsmenn legger for mye vekt på nylige hendelser og ikke på lengre sikt. Så er det selvfølgelig det klassiske paret av følelsesmessige forstyrrelser - frykt og grådighet. Disse kan ofte føre til under - eller overbelastning, noe som kan føre til oppblåsing (dvs. kontoenes egenkapitaloverskrift til null eller verre) eller redusert fortjeneste. Som det kan ses, er kvantitativ handel et ekstremt komplekst, men svært interessant, område med kvantitativ finans. Jeg har bokstavelig talt klargjort overflaten av emnet i denne artikkelen, og det blir allerede ganske lenge. Hele bøker og papirer er skrevet om problemer som jeg bare har gitt en setning eller to mot. Av den grunn er det nødvendig å utføre en betydelig mengde grunnarbeidstudie før søknad om kvantitative fondhandelsjobber. I det minste vil du trenge en omfattende bakgrunn i statistikk og økonometri, med stor erfaring i implementering, via et programmeringsspråk som MATLAB, Python eller R. For mer sofistikerte strategier ved høyere frekvensenden er ditt ferdighetssett sannsynlig å inkludere Linux kjerne modifikasjon, CC, montering programmering og nettverk latens optimalisering. Hvis du er interessert i å prøve å lage dine egne algoritmiske handelsstrategier, vil mitt første forslag være å bli god til programmering. Min preferanse er å bygge så mye av data grabber, strategi backtester og kjøresystem av deg selv som mulig. Hvis din egen hovedstad er på linjen, ville du ikke sove bedre om natten og vite at du har testet systemet fullt ut og er klar over fallgruvene og bestemte problemstillinger. Outsourcing dette til en leverandør, mens potensielt spare tid på kort sikt, kan være ekstremt dyrt på lang sikt. Bare Komme i gang med kvantitativ TradingQuantitative Trading Hva er kvantitativ handel Kvantitativ handel består av handelsstrategier basert på kvantitativ analyse. som er avhengige av matematiske beregninger og nummerkrepping for å identifisere handelsmuligheter. Som kvantitativ handel er generelt brukt av finansinstitusjoner og hedgefond. Transaksjonene er vanligvis store i størrelse og kan innebære kjøp og salg av hundre tusen aksjer og andre verdipapirer. Imidlertid blir kvantitativ handel mer vanlig brukt av individuelle investorer. BREAKING DOWN Kvantitativ handel Pris og volum er to av de vanligste datainngangene som brukes i kvantitativ analyse som hovedinngangene til matematiske modeller. Kvantitative handelsmetoder inkluderer høyfrekvent handel. algoritmisk handel og statistisk arbitrage. Disse teknikkene er hurtigbrann og har vanligvis kortsiktige investeringshorisonter. Mange kvantitative handelsfolk er mer kjent med kvantitative verktøy, for eksempel bevegelige gjennomsnitt og oscillatorer. Forstå kvantitativ handel Kvantitative handelsfolk utnytter moderne teknologi, matematikk og tilgjengeligheten av omfattende databaser for å gjøre rasjonelle handelsbeslutninger. Kvantitative handelsfolk tar en handelsteknikk og lager en modell av det ved hjelp av matematikk, og deretter utvikler de et dataprogram som bruker modellen til historiske markedsdata. Modellen blir deretter testet og optimalisert. Dersom gunstige resultater oppnås, implementeres systemet i sanntidsmarkeder med reell kapital. Måten kvantitative handelsmodeller fungerer best kan beskrives ved hjelp av en analogi. Tenk på en værmelding der meteorologen regner med en 90 sjanse for regn mens solen skinner. Meteorologen oppnår denne motstridende konklusjonen ved å samle og analysere klimadata fra sensorer over hele området. En datastyrt kvantitativ analyse avslører spesifikke mønstre i dataene. Når disse mønstrene blir sammenlignet med de samme mønstrene som er avslørt i historiske klima data (backtesting), og 90 av 100 ganger resultatet er regn, kan meteorologen trekke konklusjonen med tillit, derved 90-prognosen. Kvantitative handelsfolk bruker samme prosess til finansmarkedet for å foreta handelsbeslutninger. Fordeler og ulemper med kvantitativ handel Målet med handel er å beregne den optimale sannsynligheten for å utføre en lønnsom handel. En typisk handelsmann kan effektivt overvåke, analysere og foreta handelsbeslutninger på et begrenset antall verdipapirer før mengden av innkommende data overstyrer beslutningsprosessen. Bruken av kvantitative trading teknikker belyser denne grensen ved hjelp av datamaskiner for å automatisere overvåking, analyse og handelsbeslutninger. Overvinne følelser er en av de mest gjennomgripende problemene med handel. Det er frykt eller grådighet, når handel, følelser tjener bare å kvele rasjonell tenkning, som vanligvis fører til tap. Datamaskiner og matematikk har ikke følelser, så kvantitativ handel eliminerer dette problemet. Kvantitativ handel har problemer. Finansmarkedene er noen av de mest dynamiske enhetene som eksisterer. Derfor må kvantitative handelsmodeller være like dynamiske for å være konsekvent vellykket. Mange kvantitative handelsfolk utvikler modeller som er midlertidig lønnsomme for markedsforholdene de ble utviklet for, men de svikter til slutt når markedsforholdene endres. Denne boken omhandler utvalgte praktiske applikasjoner og nyere utvikling innen kvantitativ finansiell modellering i derivatinstrumenter, noen av som er fra forfatterens egen forskning og praksis. Den er skrevet ut fra økonomiske ingeniører eller utøvere, og som sådan legger den større vekt på de praktiske bruksområdene av finansmatematikk i det virkelige markedet enn matematikken selv med presise (og kjedelige) tekniske forhold. Det forsøker å kombinere økonomisk innsikt med matematikk og modellering for å hjelpe leseren til å utvikle intuisjoner. Blant modellering og numeriske teknikker presenteres de praktiske bruksområdene til martingale teorier, som martingale modellfabrikk og martingale resampling og interpolering. I tillegg behandler boken motparts kredittrisikomodellering, prissetting og voldgiftsstrategier fra et frontkontorfunksjonalitets perspektiv og et inntektssenter (i stedet for bare en risikostyringsfunksjonalitet), som er relativt nylig utviklet og av stadig større betydning. Det diskuterer også ulike handelsstrukturstruktureringsstrategier og berører noen populære creditIRFX-hybridprodukter, som PRDC, TARN, Snowballs, Snowbears, CCDS og kredittbrannslukkere. Mens det primære omfanget av denne boken er rentemarkedet (med ytterligere fokus på rentemarkedet), gjelder mange av metodene også for andre finansmarkeder, som kreditt-, aksje-, valuta - og råvaremarkeder. Innhold: Teori og applikasjoner av derivater Modellering: Introduksjon til motparts kredittrisikoMartingale Arbitrage-priser i ekte marked BlackScholes-rammeverket og - utvidelserMartingale Resampling og interpoleringIntroduksjon til renteterminstrukturer ModelingThe HealthJarrowMorton FrameworkRentemarkedsmodellenCredit Risiko Modellering og Prissetting Rentesats Markedsgrunnlag og proprietære handelsstrategier : Enkelt rentepris ProdukterYieldkurvmodellerTwofaktor RisikomodellDen Hellige Graal Tofaktorrente ArbitrageYield Dekomponering ModellInflation Sammenkoblede Instrumenter ModelingInterest Rate Proprietary Trading Strategies Readership: Avanserte lesere som jobber eller er interessert i rentemarkedet. Nøkkelord: CVACredit Verdivurdering JusteringCounterparty CreditBGM ModellHJM ModellRS ModellMartingaleDerivative ModelingMartingale ResamplingOrthogonal Exponential SplineStat ArbNonexploding Bushy TreeNBTPRDCTARNSnowballSnowbearCCDSCredit ExtinguisherReviews: Denne toppmoderne teksten legger vekt på ulike moderne emner i rentesederivater fra en praktiseringsperspektiv. Kombinasjonen av martingale-teknologi med forfatterens praktiske kunnskap bidrar enormt til bokens suksess. For de som ønsker rettidig rapportering rett fra grøfter, er denne boken et must. Peter Carr, PhD direktør for mastergradene i Math Finance Program Courant Institute, NYU Det er ganske åpenbart at forfatterne har betydelig praktisk erfaring i sofistikert kvantitativ analyse og derivatmodellering. Dette virkelige verdensfokus har resultert i en tekst som ikke bare gir klare presentasjoner på modellering, prising og sikring av derivatprodukter, men gir også mer avansert materiale som vanligvis bare finnes i forsknings publikasjoner. Denne boken har nyskapende ideer, toppmoderne applikasjoner, og inneholder et vell av verdifull informasjon som vil interessere akademikere, anvendt kvantitative derivatmodeller og handelsfolk. Peter Ritchken Kenneth Walter Haber Professor Institutt for bank og finans, Weatherhead School of Management, Case Western Reserve University Skrevet av to erfarne produksjoner Quants, denne boken inneholder et vell av praktiske metoder og nyttige innsikt som har blitt testet og testet. Ved å ta opp nye oppgaver, bekymrer de fleste Quants om beste praksis. Sammen med spesialiserte utgaver, etc, er denne boken et must for å kalibrere dommen. I dag velger ett av dusin matematikk-økonomibøker som egentlig burde være på ens hylle. Alan Brace University of Technology Sydney Finans - og økonomihøgskolen Nøkkelfunksjoner: Dekker ulike avanserte rentemodeller, for eksempel HJM-rammen, Markovian HJM-modeller (multi - spesielt RS-modell i særdeleshet), og BGM-modeller, samt motpartskredittpriser. Det berører også enkelte kredittmodeller, for eksempel Copula-modellen, faktormodellen og risikofylte markedsmodellen for kredittspread. Legg til ulike praktiske anvendelser av modellering, for eksempel martingale arbitrage modellering under ekte markedsforhold (for eksempel å bruke riktig risikofri rente rate, revidert kjøpsparitet, misligholdte derivater og sikring i nærvær av volatiliteten skrå og smil, samt korte diskusjoner om sekundærmodellkalibrering for å håndtere de ikke-hedgeable variablene, modellene for prissetting og modeller for sikring) Presenterer praktisk numeriske algoritmer for modellimplementering, for eksempel martingale interpolering og resampling for håndheving av diskrete martingale relasjoner in situ i numeriske prosedyrer, modellering av flyktighetskvoten og en ikke-eksplosiv bushy tree (NBT) teknikk for effektivt å løse ikke-Markovian-modeller, for eksempel multi-factor BGM markedsmodell, under bakover-induksjonsrammenIntroducerer grunnleggende av renten markedet, inkludert ulike avkastningskurvmodellering, som den velkjente ortogonale eksponentielle spline-modellen (OES), samt proprietære handelsstrategier, særlig Yi Tang (Morgan Stanley Amp Co. Inc. USA) Bin Li (Ping Capital Management , Ltd. USA) Yi Tang er for tiden med Morgan Stanley amp Co. Inc. som leder av CVA Strategies Group. Tidligere var han daglig leder og leder av Quantitative Analytics-avdelingen for Shinsei Securities ansvarlig for derivatmodellering i IR, FX, Equity, Credit, Commodity, samt IRFX, IREquity og andre hybrider. Han jobbet også hos Goldman, Sachs amp Co. Inc. som leder av CVA Strategies Group i FICC, og hos Bear, Stearns amp Co. Inc. som administrerende direktør i FAST-avdelingen og leder av en Quant-gruppe ansvarlig for del av IR-derivatmodellering og en del av IRCredit-hybridderivatmodelleringen. Før han gikk over til Quantitative Finance, jobbet han som adjungerende assistent og en postdokforsker i fysikk ved UCLA. Yi har vært invitert høyttaler på flere konferanseminarer om kvantitative finanser. Han tok doktorgrad i fysikk fra University of California i Los Angeles (UCLA) i 1992. Bin Li er nå Chief Operating Officer i Ping Capital Management, et globalt makro hedgefond i New York. Før dette var Bin president og CIO for Entropy Partners, LLC. Før dette var Bin styreformann og administrerende direktør i Tradetrek Inc. og medgrunnlegger AAStocks International (aastocks), et finansielt nettstedsselskap i Hong Kong. Fra 1993 og 1998 tjente Bin i ulike roller, blant annet Vice President of Quantitative Analysis Group ved Merrill Lynch, og administrerende direktør for Global Quantitative Trading Strategies at UBS. Bin er en internasjonalt kjent forsker og utøver i finansbransjen og har vært en invitert høyttaler på mange konferansesenter på Quantitative Finance. Bin fikk sin doktorgrad i fysikk fra New York University i 1992.