Matlab GPU caixa de ferramentas: Benchmarking Accelereyes vs. MathWorks vs. GP-YOU? Há uma grande opção para a velocidade-up do seu código Matlab: Use a sua placa gráfica. Se você possui uma placa gráfica Nvidia, há todo um universo de código otimizado para estes cartões. A tecnologia subjacente é chamado CUDA e muitas das funções necessárias para uma utilização transparente de Matlab já existem. Há três importantes colecções: GPUMat de GP-YOU, jaqueta de Accelereyes eo Matlab Parallel Computing Toolbox de The Mathworks. Estas caixas de ferramentas tornar a programação GPU em Matlab muito simples. Qual é o melhor? Use uma placa gráfica para a execução de cálculos numéricos intensivos. Conceitos de programação GPU Matlab Existem basicamente dois conceitos para a utilização de GPUs em Matlab: Use um tipo de dados GPU e quer deixar a execução do programa no interpretador Matlab ou compilar a execução em uma linguagem intermediária (principalmente CUDA) e executar o resultado diretamente na GPU. Se o intérprete Matlab gerencia a execução do programa cada comando é enviado separadamente para a GPU. Isso geralmente diminui drasticamente o fluxo de trabalho e mata o desempenho. Assim, um compilada da sequência de execução é necessário para a maioria dos casos. Todas as três caixas de ferramentas suportam a compilação: Jaqueta de Accelereyes fá-lo mais transparente, o que torna mais fácil para o usuário. GPUMat inicia o compilador mais explicitamente chamar um compilador C ++ e geração de arquivos mex. O Matlab Computação Paralela caixa de ferramentas realmente não compilar mas sugere o uso de uma versão especial de 8220; arrayfun () 8221 ;. O desempenho histórico encontra-se! Cuidado com viés sobrevivente. Muitas vezes você encontrar estudos quão bem uma estratégia de fundo ou de negociação específica tem realizado. Você deve estar ciente do fato de que praticamente todos os estudos baseados em dados históricos mentir ou pelo menos não contar a história completa. Existem dois efeitos altamente subestimados: viés do sobrevivente e caudas gordas. Ambos os efeitos tornam estratégias pobres com bom aspecto. Neste artigo, vou mostrar-lhe porquê. Viés de sobrevivência e estimativa de desempenho do fundo Se você executar um fundo, você está muito feliz com o bom desempenho e descontente com os retornos pobres. Assim são os seus investidores. O que acontece se o seu fundo atua pobres durante vários anos em uma fileira? Você perder seus investidores e, finalmente, fechar a fundo. Este fato é muito importante: Depois de fechar o fundo, os seus dados fundo geralmente desaparece dos fornecedores de dados de mercado (Reuters, Bloomberg, yahoo, etc.). Fundo de A, B, C, representam todos os fundos públicos disponíveis na hipotética subsector bigdata-biologia de computação em nuvem (sector BBCC) a. Neste exemplo, fundo de B realiza tão pobre que, foi fechado no ano 4. Agora, realizando um estudo sobre o sector da BBCC, os analistas vão encontrar dados históricos para fundos A e C, somente. Consequentemente, eles vão relatar um desempenho médio de 9% aa no setor de BBCC. No entanto, um investidor de bens de investimento no setor de distribuição de BBCC seus investimentos igualmente entre todos os fundos disponíveis (A, B e C) teria ganho de 5% aa Somente. Isso é cerca de metade do desempenho visto pelos analistas. Esse tipo de erro acontece facilmente e, portanto, muitas vezes. Viés de sobrevivência e backtesting histórico Um efeito semelhante acontece muitas vezes quando as pessoas tentam encontrar uma estratégia de negociação superior em dados históricos do mercado. Muitas vezes você vê o seguinte algoritmo para parâmetros de ajuste de uma estratégia de negociação: Data = Dados Históricos Mercado Escolha valores x_1 x_n para para os parâmetros de estratégia de negociação S Se o desempenho (S (x_1, x_n), Dados) é máximo de todos os valores possíveis de (x_1, x_n) parar e voltar para x_1 x_n Claramente, esta estratégia S (x_1, x_n) irá realizar grande sobre os dados históricos disponíveis. Mas, isso não diz nada sobre o desempenho futuro da estratégia. E, geralmente, a estratégia não vai realizar o bem no futuro. Como você pode fazer melhor? Uma melhor abordagem segue a partir de divisão dos dados em um de ensino e um conjunto de teste. O algoritmo resultante seria: Data_training = metade de Dados Históricos Mercado Data_test = outra metade de Dados Históricos Mercado Escolha valores x_1 x_n para para os parâmetros de estratégia de negociação S Se o desempenho (S (x_1, x_n), Data_training) é máximo de todos os valores possíveis de (x_1, x_n) Se o desempenho (S (x_1, x_n), Data_test) é bom parar e retornar 8220; Desempenho de S é bom, com parâmetros: 8221; + X_1 x_n para parar e retornar 8220; Estratégia S é um mau strategy8221; Neste caso, a estratégia de negociação S é otimizado em um conjunto de treinamento dos dados históricos ea realização do teste-set é bom. Isto não quer dizer que a estratégia resultante terá um bom desempenho no futuro. Mas pelo menos teve um bom desempenho em dados invisíveis. Agora, este algoritmo pode retornar com 8220; Estratégia S é um mau strategy8221 ;, que será desfavorável para a maioria das pessoas. A maioria das pessoas, então, desenvolver mais e mais estratégias S_1 8230; S_m até que o algoritmo retorna 8220; Desempenho de S é bom 8230; 8221 ;. Mas, isso é realmente uma boa estratégia? Se você quer uma resposta para isso, certifique-se que você reservar alguns dos dados históricos para uma validação e verificar a sua estratégia nesta dados invisível. Então, para otimizar a uma estratégia de negociação que você precisa, pelo menos, três conjuntos de dados: conjunto de treinamento, equipamento de teste e conjunto de validação. Novamente, isso vai dizer nada sobre o desempenho de sua estratégia de negociação no futuro. Mas, é uma boa indicação se sua estratégia passa essa otimização estratégia difícil. Viés de sobrevivência e caudas gordas Outra característica, que cria visões errôneas sobre o desempenho de ativos financeiros ou estratégias de negociação são caudas gordas. Existem vários tipos de estratégias de negociação que parecem explorar a arbitragem no mercado. Por exemplo. fundos de arbitragem de volatilidade eram populares há alguns anos atrás. Eles atuam bem em dados históricos e eles entregam renda estável sem risco. Mas, de repente, algo acontece: De repente, o desempenho de alguns anos se foi para sempre. E, isso também pode acontecer com as estratégias que são percebidos como risco-menos fundos do mercado monetário: Exercício Antecipado: A Maldição ou bênção Muitos contratos financeiros vêm com o direito de exercer um direito prematuramente. Tais direitos de exercício antecipado são uma clara vantagem para o detentor da opção. Mas, esses direitos criar problemas de paragem ideais para as partes do contrato. Isso é realmente uma vantagem? A seguir, vou mostrar-lhe um pequeno exemplo da minha última viagem de compras eo que podemos aprender com ele para a concepção de produtos financeiros. Paragem ideal é necessária para beneficiar dos direitos de exercício antecipado. Antecedentes Muitos tipos de opções financeiros negociados incluem direitos de exercício antecipado. Exemplos disso são as opções de índice, que são muitas vezes cedo exercíveis. As pessoas chamam essas opções de venda ou de opções americanas em contraste com as opções europeias, que só são exercidos no vencimento. Esse recurso também é comum em muitos tipos de bônus, e muitos contratos de balcão. Ainda mais complexo são e. g. obrigações convertíveis, onde também o emitente pode forçar a conversão. O principal argumento para disposições de exercício antecipado é que os clientes gostam de ter escolhas. Portanto, as pessoas muitas vezes argumentam que se deve sempre estruturar instrumentos financeiros de uma forma que o titular pode exercer mais cedo o produto iria vender a um preço mais elevado. Mas, este não é sempre o caso. Por exemplo. o custo do recurso de exercício antecipado não é representada corretamente em muitos contratos de seguro de vida e, em muitos hipotecas. Se os detentores de apólices iria começar a exercer as suas políticas de forma mais racional, os provedores de seguros pode estar em apuros. Parar Optimal Olhando para as decisões de exercício antecipado, eu gostaria de dar um exemplo mais visual: Encontrar um bom lote de estacionamento em um grande supermercado. Em muitos supermercados, você encontrar um estacionamento como este: Situação usual em um estacionamento de supermercado Você dirige lentamente em direção ao supermercado e em cada lugar vazio (1) você tem que decidir para estacionar (exercício) ou para continuar. Continuando a busca evolui o risco de que você não encontrar um local melhor e você tem que dirigir mais uma rodada completa. Uma solução simples para esse problema é apenas dar o primeiro ponto vazio. Em um exemplo numérico simples, descobrimos que essa estratégia daria é a seguinte distribuição de distância para o mercado: Histograma da distribuição da distância ao supermercado usando a estratégia simples: Dê o primeiro local vazio. (10.000 simulações) Este exemplo usa 10.000 simulações de Monte Carlo para encontrar uma vaga de estacionamento. Como neste exemplo, há apenas uma chance de 10% que cada local está vazio, que muitas vezes encontrar um local muito ruim (por exemplo, mais de 1.000 dos 10.000 parque a uma distância de 20) e, por vezes, não encontramos nenhum local em tudo (cerca de 1.200 escrito como a distância de 40). Menos de 200 encontrar o melhor local com distância 1. Se nós gostaríamos de melhorar este resultado, podemos criar um problema de otimização minimizando a distância esperada para o supermercado. Eu fiz isso escrevendo um pouco ThetaML que você encontra no Apêndice abaixo. Agora, nós encontramos que a estratégia de maximização é passar os primeiros quatro pontos (distância 17 a 20) e, em seguida, dar o próximo local vazio. Isso nos deixa com ninguém estacionamento a uma distância de 17 ou mais. A probabilidade de obter o melhor ponto à distância 1 é mais elevado mais de 200 simulações termina aqui. Mas, isso tem um custo: Mais de 1.800 simulações não encontrar um local em tudo e tem que ir para outra rodada: Histograma da distribuição da distância ao supermercado usando a estratégia ótima: Tome o primeiro local vazio com distância inferior a 17. (10.000 simulações) A melhor solução Ok, eu investiu um monte de conhecimento e alguma programação para otimizar a estratégia de exercício no parque de estacionamento. É este o melhor que podemos fazer? Há realmente uma solução melhor, reorganizando o estacionamento: Estacionamento reorganizados Agora, a estratégia simples: Dê os primeiros rendimentos local vazio para um resultado muito melhor: Histograma da distribuição da distância ao supermercado usando um layout melhor estacionamento e da estratégia simples: Dê o primeiro local vazio. (10.000 simulações) Mais de 1.000 dos 10.000 simulações encontrar o melhor local a uma distância de 1. Menos de 200 encontrar um local ruim a uma distância de 20 e apenas 1.200 encontrar nenhum ponto em tudo. Isto é muito melhor do que o anterior 8220; optimal8221; solução. E eu não tenho que levar meu laptop comigo para encontrar a estratégia ideal de exercício em cada tempo fazendo compras. Desejo de estacionamento arquitetos lote podia ver this8230; Tomando essa idéia para o mercado de opções financeiras, o que podemos fazer? Talvez, os investidores não querem comprar tipo americano opções de exercícios cedo. Eles podem preferir Lookbacks que garantem um pagamento máximo. Pense nisso! 25 Anos alemão DAX: uma história de sucesso? Em 1 de julho de 1988 alemão DAX foi publicado. Não foi apenas um índice do mercado de ações alemão: É introduzida uma nova metodologia de cálculo de um índice de mercado de ações. O DAX alemão foi o primeiro índice popular para incluir pesos de acordo com capitalização de mercado e calculam os regressos, inclusive dividendos. Agora, depois de 25 anos, é hora de olhar para trás como ele realizada. Nos principais índices como o Dow-Jones Industrial Average ou Nikkei 225, o valor do índice é calculado com base no valor nocional dos stocks como pesos na soma dos preços negociados. Isso coloca alto peso na indústria e no baixo peso em empresas de alta tecnologia. Em vez disso, o DAX usa a capitalização de mercado como peso. Isto proporciona uma imagem mais realista do impacto dos negócios na bolsa de valores. Os constituintes de DAX seguir uma regra quantitativa Em contraste com a Dow-Jones e Nikkei, os componentes de Dax não são seleccionadas em cerca de jornal. Em vez disso, eles seguem regras quantitativas como 8220, pelo menos 10% livre float8221; e no top 35 maior empresa em valor de mercado e no top 35 no volume de negócios em troca Xetra. Dow-Jones, SP 500, Russel 1000, Nikkei e outros índices geralmente respondem por stock splits. Mas, eles não são responsáveis por dividendos ou questões de direitos. Incluindo estes efeitos, o DAX é calculado como um índice de retorno total. Desta forma, o DAX retorna entregar uma estimativa razoável para o retorno do investimento nos estoques correspondentes no índice. Olhando para as novas regras para o cálculo, o DAX foi state-of-the-art e um pouco revolucionário. Havia antecessores como SP 500 com regras quantitativas para os constituintes e um novo, mas impopular índice Dow-Jones Industrial Average Total Return com um cálculo de retorno total, incluindo dividendos. Mas, a coleção de recursos do DAX foi única. Será que isso criar um sucesso único, também? DAX começou em primeiro de julho de 1988 a 1140 de modo a que 31 de dezembro de 1987 teria tido um valor de índice de 1000. O mais fácil Back-Testing de Estratégias de Negociação: MS Excel Pivot Table! Antes de usar ferramentas especializadas para back-testes proponho que se tenta o MS Excel Pivot Table em primeiro lugar. A ferramenta de tabela dinâmica é grande para inspeção, filtragem e análise de grandes conjuntos de dados. Neste artigo, vou apresentar como criar uma estratégia baseada em sincronismo simples e como calcular seu desempenho histórico. A seguir, vou mostrar, como criar uma análise como o post anterior: 8220; Venda em maio e Go Away Realmente? 8220 ;. Passo 1: Obter os dados Primeiro, precisamos obter os dados para a análise. Dirigimo-nos a Yahoo para buscar o índice Dow-Jones (Veja a lista de Mercado Fontes de dados para outras fontes). De alguma forma, Yahoo Finance oculta o botão de download para o Índice Dow-Jones. Mas, é fácil de adivinhar o link correto: Salvar este arquivo em disco. Em seguida, abra-o com o MS Excel 2010 e vamos continuar com a próxima etapa. Passo 2: Adicionar colunas para Desempenho e Indicator Agora, neste arquivo, nós adicionamos o log-retorno (Coluna 8220; Return8221;) para cada dia da série histórica: Então, nós adicionamos o indicador da estratégia de negociação neste caso apenas o mês do ano: Passo 3: Adicionar Pivot Table
No comments:
Post a Comment