Avaliação de estratégias de negociação.
16 Páginas Publicado em: 3 de agosto de 2014 Última revisão: 26 de agosto de 2014.
Campbell R. Harvey.
Duke University - Fuqua School of Business; Agência Nacional de Pesquisa Econômica (NBER); Duke Innovation & Entrepreneurship Initiative.
Texas A & M University, Departamento de Finanças.
Data de Escrita: 25 de agosto de 2014.
Fornecemos algumas novas ferramentas para avaliar estratégias de negociação. Quando se sabe que muitas estratégias e combinações de estratégias foram tentadas, precisamos ajustar nosso método de avaliação para esses múltiplos testes. Sharpe Ratios e outras estatísticas serão exageradas. Nossos métodos são simples de implementar e permitem a avaliação em tempo real das estratégias de negociação do candidato.
Palavras-chave: Relação de Sharpe, Múltiplos testes, Holm, BHY, Bonferroni, Seleção de estratégias, Backtest, Corte de cabelo, Relação de Sharpe de corte de cabelo, Mineração de dados, Machine Learning, Higgs Boson, Estratégias de Negociação, Testes fora da amostra, Testes in-Sample, FDR FWER, Capital IQ, PBO.
Classificação JEL: G12, G14, G30, G00, C12, C20, B41.
O espectador de capital.
Investimento, alocação de ativos, economia & amp; a pesquisa para a linha de fundo.
Somos todos backtesters agora.
Um artigo recente ("Avaliação de Estratégias de Negociação") sobre os riscos do backtesting no Journal of Portfolio Management tem recebido muita atenção ultimamente, inspirando algumas pessoas a se aprofundar e argumentar que a análise econométrica de estratégias de investimento é sempre uma má ideia. Isso é um pouco pela simples razão de que a única alternativa ao backtesting é jogar dinheiro nos mercados sem o benefício da perspectiva. Sim, o backtesting pode ser perigoso quando projetado sem as melhores práticas em mente. Mas no grande esquema de investimento, todos confiamos em uma forma de backtesting ou outra.
Talvez, mas o fato de você ter espiado o recorde histórico e decidir que gostaria de embarcar nesse trem de investimento é uma conclusão baseada em… drumroll… um backtest! Ok, é informal se você está revisando o trabalho de outra pessoa. Mas se você está mergulhando nos detalhes básicos e escrevendo seu próprio código ou confiando em outra pessoa para fazer o trabalho pesado, tudo faz parte do mesmo jogo: usar a história para tomar uma decisão sobre como investir no futuro.
Essa é uma pincelada ampla, é claro, e há tantas maneiras de se fazer backtest quanto estrelas no céu. Isso deixa muito espaço para erros. Para uma análise divertida de como as coisas podem dar errado, dê uma olhada na coluna de Jason Zweig de junho do The Wall Street Journal ("Grandes retornos em baixo risco" não tão rápida ").
A boa notícia é que muitas das armadilhas óbvias ao backtesting podem ser evitadas. Por exemplo, o chamado viés de antecipação - calculando retornos de estratégia com base em informações que não estavam disponíveis em tempo real - pode ser desativado usando um sinal atrasado. Na verdade, há uma lista de coisas para evitar a causa do desenvolvimento de um backtest robusto. Um dos perigos mais perniciosos é ignorar o fato de que muitos backtests lucrativos podem ser gerados aleatoriamente. Lance um monte de sinais de negociação no moedor de dados e o software certamente gerará resultados maravilhosos por meio de estratégias que ninguém em sã consciência deveria usar.
Em última análise, deve-se partir de uma base na lógica econômica - as ações tendem a aumentar com o tempo, porque os lucros e os pagamentos de dividendos tendem a subir. Por quê? Porque as economias crescem ... na maior parte do tempo. Mas também há um elemento de backtesting aqui. Você pode usar a teoria macro e todos os tipos de sinos e assobios acadêmicos, mas o fato de que gráficos de longo prazo do produto interno bruto dos EUA e o S & P 500 refletem declives positivos inspira mais do que alguns investidores a assumir que o futuro vai se assemelhar ao passado.
Sim, somos todos escravos da história em algum grau, o que traz bastante risco. Isso é um lembrete de que os detalhes são cruciais na delicada arte / ciência de como você estuda o passado e interpreta os sinais (e o ruído). Dois pesquisadores com duas visões muito diferentes do mundo e modelos de trabalho podem olhar para o mesmo conjunto de dados e obter resultados muito diferentes sobre o que funciona versus o que não funciona. Mas isso não é um argumento para banir os backtests; em vez disso, é uma observação que nos diz que não podemos gastar muito tempo pensando sobre o que poderia estar errado.
Felizmente, os analistas estudam as armadilhas há décadas. É verdade que você não pode evitar todos os riscos que atormentam os backtests, embora não haja desculpas para cometer erros comuns que sobrecarregam muitos (mais?) Resultados de backtesting.
É fácil criticar o backtesting e, até certo ponto, esse é um diálogo saudável. Não há balas de prata, não importa quão sofisticado seja o seu modelo. Mas não há realmente nenhuma alternativa para olhar no espelho retrovisor. A questão, então, resume-se a como você está interpretando o histórico? Os resultados irão variar, como eles dizem. A chave é descobrir por que eles variam e o que constitui o design informado.
Pós-navegação.
3 pensamentos sobre & ldquo; Somos todos backtesters agora & rdquo;
Normalmente, não deixe comentários, mas seu post tocou um acorde. E, na verdade, eu tive essa discussão exata com muitos colegas separados recentemente.
É interessante considerar o P (mundo real) versus Q (risco neutro) Quantas maneiras de pensar: No Q, tudo é sobre calibração precisa para os preços das opções. Se você não puder igualar os preços da opção baunilha, você também pode lançar seu modelo desde o início. E então, no dia seguinte (ou semana), você recalibre para igualar os preços exatamente de novo, a estabilidade dos parâmetros pode ser danificada. Do ponto de vista P, isso seria considerado a forma final de modelo & # 8216; overfitting & # 8217 ;.
Há também uma outra divisão entre os quantos: aqueles que afirmam que a história é apenas um caminho realizado de uma variável aleatória e que o único método verdadeiro de análise é trabalhar diretamente com o & # 8216; full & # 8217; distribuições. E então, há aqueles que dizem que a chance de especificar erroneamente a distribuição é tão grande que é melhor trabalhar com a história, o que, pelo menos, representa uma percepção da verdadeira distribuição.
Ele fala com a personalidade subjacente do pesquisador, eu acho.
Além disso, é bem verdade que os modelos que usamos hoje são usados apenas porque eles fazem um bom trabalho ao recriar a história.
Como avaliar estratégias multi-ativos.
Avaliação de estratégias de multi-ativos.
K. Stuart Peskin Journal of Portfolio Management, edição especial Uma versão deste documento pode ser encontrada aqui Quer ler nossos resumos de documentos de finanças acadêmicas? Confira nossa categoria de pesquisa acadêmica.
Quais são as questões de pesquisa?
Existe & # 8216; ONE & # 8217; maneira correta de avaliar estratégias de múltiplos ativos? Quais são as métricas mais adequadas para avaliar estratégias de vários ativos?
Quais são os insights acadêmicos?
Usando uma abordagem de estudo de caso, o autor sugere o seguinte:
NÃO - Não há & # 8216; ONE & # 8217; maneira correta de avaliar o desempenho de um portfólio de ativos múltiplos. Uma gama de medidas é preferida. E, a propósito, a correlação pode ser uma métrica enganosa, se vista isoladamente. O autor propõe diferentes métricas baseadas em técnicas históricas e preditivas.
Comportamento da cauda para fornecer informações críticas dos resultados da estratégia durante o período de turbulência do mercado (incluindo uma comparação com o que as correlações previam). Upside versus participação downside para observar o grau de captura de mercado. Atribuição por classe de ativo, por exemplo, quanto do retorno foi capturado por ações.
Modelagem de risco, por exemplo, usando um modelo de risco APT (introdução a esses modelos aqui). Comportamento da cauda ex-ante, a avaliação de portfólio sob turbulência nunca vista antes.
Por que isso Importa?
Este estudo de caso é um bom exemplo de uma análise complementar para entender melhor a estratégia de vários ativos e seu papel em potencial em um portfólio.
O gráfico mais importante do documento:
Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Índices não são gerenciados, não refletem taxas de administração ou negociação e não se pode investir diretamente em um índice.
Um número crescente de investidores está reconhecendo os muitos benefícios de uma abordagem de múltiplos ativos, incluindo o potencial para melhorar a diversidade, maior liquidez e reduzir a volatilidade. Também é vantajosa sua capacidade de ajustar-se prontamente ao lado de uma variedade de abordagens de investimento e categorias de classe de ativos. Dito isso, as estratégias de vários ativos vêm com desafios. Este artigo aborda uma área particularmente problemática - como avaliar os resultados da estratégia de vários ativos. Contar com apenas uma ou duas medidas para avaliação pode levar a uma má interpretação dos resultados históricos de investimento alcançados. Em vez disso, o autor aconselha a usar uma variedade de técnicas de avaliação. Uma delas - a correlação - é discutida em profundidade, porque o autor acredita que ela é mal compreendida em muitas dimensões do investimento em ativos múltiplos. O autor também examina algumas das análises de desempenho e risco mais úteis, tanto históricas quanto preditivas, que podem ajudar a entender o que impulsiona os resultados de investimento com vários ativos.
As opiniões e opiniões aqui expressas são de responsabilidade do autor e não refletem necessariamente as opiniões da Alpha Architect, suas afiliadas ou seus funcionários. Nossas divulgações completas estão disponíveis aqui. As definições de estatísticas comuns usadas em nossa análise estão disponíveis aqui (na parte inferior). Junte-se a milhares de outros leitores e assine o nosso blog. Este site não fornece informações sobre nossos valores ETFs ou nosso momentum ETFs. Por favor, consulte este site.
Journal of Portfolio Management anuncia os principais homenageados da pesquisa.
Este ano, o prêmio de Melhor artigo, conforme votado pelos assinantes da revista, vai para Campbell R. Harvey, da Duke University, e Yan Liu, da Texas A & M University. Em seu artigo, “Evaluating Trading Strategies”, os autores dizem aos pesquisadores que estão encontrando estratégias de negociação aparentemente bem-sucedidas por acaso e dizem aos investidores que precisam ficar muito mais céticos quanto às propostas de investimento.
"Estou honrado em receber o Prêmio Bernstein Fabozzi / Jacobs Levy este ano e também ter o valioso reconhecimento de meus colegas, incluindo vários gerentes de investimentos proeminentes que compartilharam minha pesquisa e adotaram muitas de suas recomendações", disse Campbell Harvey. “Esses gerentes não querem decepcionar seus clientes e percebem que precisam invocar uma nova abordagem para neutralizar o impacto da mineração de dados substancial de novas estratégias de investimento. Oferecemos um método que ajuda a responder a pergunta: foi sorte ou foi uma habilidade? ”
Pelo segundo ano consecutivo, um empate resultou em quatro peças ganhando o Outstanding Article Award:
"Alfa pode ser capturado pelo prêmio de risco ?," por Jennifer Bender da State Street Global Advisors, e P. Brett Hammond e William Mok, ambos da MSCI, que exploram o papel das estratégias de premiações de risco em portfólios de ações institucionais, não apenas como potenciais substituições para investimentos beta passivos passivos existentes, mas também para certos mandatos ativos. “Um Estudo de Métodos de Construção de Portfólios de Baixa Volatilidade”, por Tzee-man Chow, Jason C. Hsu, Li-lan Kuo e Feifei Li, todos da Research Affiliates, LLC, examina o desempenho hipotético de várias estratégias de baixa volatilidade em mercados históricos dos EUA, desenvolvidos globalmente e emergentes. “A divergência de estimativas de alta e baixa frequência: Causas e Consequências”, por William Kinlaw da State Street Global Exchange Mark Kritzman, da Windham Capital Management, e David Turkington, da State Street Global Exchange, exploram a discrepância que surge quando portfólios que são ótimos baseados em insumos de alta frequência freqüentemente levam a resultados claramente abaixo do ideal para investidores com horizontes longos. O artigo identifica as causas e conseqüências dessa discrepância e apresenta uma estrutura para a construção de portfólios que equilibram a otimização do horizonte curto e do horizonte longo. "Tesla: Anatomia de uma Corrida", de Bradford Cornell, do Instituto de Tecnologia da Califórnia, e Aswath Damodaran, da Stern School of Business, da Universidade de Nova York, oferece uma anatomia detalhada do aumento de quase sete vezes no preço. de ações da Tesla entre 22 de março de 2013 e 26 de fevereiro de 2014, e tenta determinar o papel desempenhado pelo sentimento do investidor.
Allison Adams, da Institutional Investor Journals Publisher, comentou: "No ano passado, o JPM celebrou 40 anos de excelência na publicação de pesquisas inovadoras. Para o prêmio deste ano, os assinantes do JPM votaram por artigos impactantes que preenchem a lacuna entre teoria financeira e aplicabilidade prática. O artigo de Harvey baseia-se na relação entre o que está acontecendo na pesquisa científica com o back-testing financeiro. Incentivo todos os pesquisadores financeiros a ler o artigo e assistir à entrevista em vídeo que o acompanha. "
Os Prêmios Bernstein Fabozzi / Jacobs Levy consistem em um prêmio de $ 2.500 para Melhor Artigo e $ 1.000 em prêmios para cada Artigo em Destaque. Os prêmios são generosamente financiados pela Jacobs Levy Equity Management. De acordo com Bruce Jacobs, diretor e co-fundador da Jacobs Levy Equity Management:
“O artigo vencedor deste ano aborda uma questão que está no centro de toda a modelagem financeira - separando o trigo do joio. Munidos de novos insights importantes deste artigo, os pesquisadores poderão avaliar melhor novos modelos de investimento. Nossos parabéns vão para todos os vencedores deste ano. Estamos orgulhosos por ter começado o Prêmio Bernstein Fabozzi / Jacobs Levy 16 anos atrás em homenagem aos Editores do Journal of Portfolio Management, Peter Bernstein e Frank Fabozzi, e estamos ansiosos para muitos mais anos de artigos inovadores. ”
Sobre o Journal of Portfolio Management.
Editado por Frank Fabozzi e fundado em 1974 por Peter L. Bernstein, o Journal of Portfolio Management é a principal fonte editorial de estratégias e análises de ponta para a gestão de investimentos institucionais. Publicado pela Institutional Investor, está disponível trimestralmente, impresso e online.
Informações do Diário.
Conteúdo disponível em Vol 1 Issue 1 (2006)
Comerciantes de buy-sellers e sell-side de nível sênior, investidores institucionais, gestores de carteiras, corretores e corretores de empresas de investimento.
SOBRE O JORNAL.
O Journal of Trading (JOT) oferece uma análise aprofundada de novas ferramentas e estratégias no comércio institucional e demonstra como usá-las de maneira prática. O JOT visa fornecer inteligência crítica sobre negociação algorítmica, análise pré e pós-negociação, questões de liquidez, plataformas de negociação, melhor execução, estratégias de pesquisa e modelos analíticos. Temas freqüentemente abordados no JOT incluem a avaliação de estratégias de negociação, a medição do desempenho da execução do comércio, a análise dos custos de transação, a avaliação das alocações de comissões e a prevenção de armadilhas comerciais.
O Journal of Trading foi lançado com a missão de educar os profissionais de investimento, fornecendo conhecimento crítico e análise aprofundada das mais recentes estratégias e tendências no comércio institucional.
O Journal of Trading tem como objetivo ser o jornal líder, onde especialistas em negociação publicam artigos sobre estrutura de mercado e técnicas de negociação.
Em 2006, a Institutional Investor lançou o The Journal of Trading, após o sucesso de sua altamente aclamada série, The Guide to Algorithmic Trading, e The Guide to Luidity. Leia a carta do editor inaugural aqui.
INDEXADO EM
AGREGADORES.
O Journal of Trading também está disponível através de:
EBSCO, ProQuest e Gale & ndash; Arquivo rolante de 10 anos com embargo de 18 meses.
Avaliação de estratégias de multi-ativos.
Este artigo requer uma assinatura para exibir o texto completo. Se você tem uma assinatura, você pode usar o formulário de login abaixo para visualizar o artigo. O acesso a este artigo também pode ser adquirido.
Um número crescente de investidores está reconhecendo os muitos benefícios de uma abordagem de múltiplos ativos, incluindo o potencial para melhorar a diversidade, maior liquidez e reduzir a volatilidade. Também é vantajosa sua capacidade de ajustar-se prontamente ao lado de uma variedade de abordagens de investimento e categorias de classe de ativos. Dito isso, as estratégias de vários ativos vêm com desafios. Este artigo aborda uma área particularmente problemática - como avaliar os resultados da estratégia de vários ativos. Contar com apenas uma ou duas medidas para avaliação pode levar a uma má interpretação dos resultados históricos de investimento alcançados. Em vez disso, o autor aconselha a usar uma variedade de técnicas de avaliação. Uma delas - a correlação - é discutida em profundidade, porque o autor acredita que ela é mal compreendida em muitas dimensões do investimento em ativos múltiplos. O autor também examina algumas das análises de desempenho e risco mais úteis, tanto históricas quanto preditivas, que podem ajudar a entender o que impulsiona os resultados de investimento com vários ativos.
Avaliação de estratégias de negociação.
Este artigo requer uma assinatura para exibir o texto completo. Se você tem uma assinatura, você pode usar o formulário de login abaixo para visualizar o artigo. O acesso a este artigo também pode ser adquirido.
Neste artigo, os autores fornecem algumas novas ferramentas para avaliar estratégias de negociação. Quando se sabe que muitas estratégias e combinações de estratégias foram tentadas, é necessário ajustar nosso método de avaliação para esses múltiplos testes. Sharpe Ratios e outras estatísticas serão exageradas. Os métodos fornecidos pelos autores neste artigo são simples de implementar e permitem a avaliação em tempo real das estratégias de negociação do candidato.
A ciência da negociação algorítmica e gestão de carteiras.
1ª edição.
Acesso Institucional.
Verificação segura
Frete grátis.
Sem pedido mínimo.
Descrição.
A Science of Algorithmic Trading e Portfolio Management, com ênfase em processos de negociação algorítmica e modelos comerciais atuais, se diferencia de outras de seu tipo. Robert Kissell, o primeiro autor a discutir o comércio algorítmico entre as várias classes de ativos, fornece informações importantes sobre formas de desenvolver, testar e construir algoritmos de negociação. Os leitores aprendem como avaliar modelos de impacto de mercado e avaliar o desempenho entre algoritmos, traders e corretores e adquirir o conhecimento para implementar sistemas de negociação eletrônica.
Este valioso livro resume a estrutura do mercado, a formação de preços e como diferentes participantes interagem uns com os outros, incluindo blefes, especulações e jogos de azar. Os leitores aprendem os detalhes subjacentes e a matemática dos algoritmos de negociação personalizados, bem como as técnicas avançadas de modelagem para melhorar a lucratividade por meio de negociação algorítmica e técnicas apropriadas de gerenciamento de risco. Tópicos de gerenciamento de portfólio, incluindo fatores quant e modelos de caixa preta, são discutidos e um site de acompanhamento inclui exemplos, conjuntos de dados que complementam exercícios no livro e grandes projetos.
Características principais.
Prepara os leitores para avaliar modelos de impacto de mercado e avaliar o desempenho entre algoritmos, traders e corretores. Ajuda os leitores a projetar sistemas para gerenciar o risco algorítmico e a incerteza do dark pool. Resume uma estrutura de tomada de decisão algorítmica para garantir a consistência entre os objetivos de investimento e os objetivos de negociação.
Leituras.
Alunos e professores que estudam seleção de ações e gerenciamento de portfólio, bem como traders, profissionais e gerentes de portfólio que trabalham no setor financeiro.
Índice.
Capítulo 1. Negociação Algorítmica.
Alterando o Ambiente de Negociação.
Crescimento recente no comércio algorítmico.
Classificações de Algoritmos.
Tipos de Algoritmos.
Tendências de negociação algorítmica.
Classificação de Local de Negociação.
Tipos de pedidos.
O pregão.
Decisões de Negociação Algorítmica.
Ferramentas de análise algorítmica.
Negociação de alta frequência.
Acesso Direto ao Mercado.
Capítulo 2. Microestrutura do Mercado.
Literatura de microestrutura de mercado.
A nova estrutura do mercado.
Novo modelo de negociação da NYSE.
NASDAQ Selecione o programa Market Maker.
Capítulo 3. Análise de Custo de Transação Algorítmica.
Componentes de custos de transação não agregados.
Classificação de custos de transação.
Categorização de custos de transação.
Análise de custo de transação.
Nota final sobre análise pós-negociação.
Capítulo 4. Modelos de Impacto do Mercado.
Ilustrações Gráficas de Impacto no Mercado.
Desenvolvendo um Modelo de Impacto do Mercado.
Derivação de Modelos.
Modelo de Impacto do Mercado I-Star.
Técnicas de estimativa de parâmetros.
Capítulo 5. Estimando os Parâmetros do Modelo I-Star.
Capítulo 6. Volatilidade de Preço.
Observações de Mercado & # 8212; Achados Empíricos.
Previsão de Volatilidade de Ações.
Modelo de ajuste HMA-VIX.
Modelo de medição de desempenho.
Tipos de modelos de fatores.
Capítulo 7. Técnicas Avançadas de Previsão Algorítmica.
Equações de Custos de Negociação.
Componentes de risco de negociação.
Modelos de Custo de Negociação & # 8212; Reformulado.
Equação de risco de tempo.
Comparação de estimativas de impacto de mercado.
Técnicas de previsão de volume.
Previsão de Volumes Mensais.
Fronteira de Negociação Eficiente.
Capítulo 8. Estrutura de Tomada de Decisão Algorítmica.
Estrutura de Tomada de Decisão Algorítmica.
Capítulo 9. Algoritmos de Portfólio.
Equações de Custo de Transação.
Técnicas de Otimização de Portfólio.
Táticas de Adaptação de Portfólio.
Gerenciando Risco do Portfólio.
Capítulo 10. Construção de Portfólio.
Otimização de portfólio e restrições.
Custos de Transação na Otimização de Portfólio.
Processo de Gestão de Portfólio.
Processo de Decisão de Negociação.
Unificando as teorias de investimento e negociação.
Determinando o nível adequado de aversão ao risco.
Melhor Fronteira de Execução.
Construção de Carteira com Custos de Transação.
Capítulo 11. Técnicas Quantitativas de Gerenciamento de Portfólio.
Os modelos existentes são úteis o suficiente para a construção de portfólio?
Pre-Trade of Pre-Trades.
Quão caro é o comércio?
Índices de Fator MI.
Programa de Captura Alfa.
Capítulo 12. Índice de Custos & # 38; Custos de negociação multi-ativos.
Índice de custo em tempo real.
Investimento em Classe Multi-Asset.
Custos de negociação multi-ativos.
Capítulo 13. Modelos de negociação de alta frequência e caixa preta.
Dados e Pesquisa.
Sobre o autor.
Robert Kissell.
O Dr. Robert Kissell é o presidente e fundador do Kissell Research Group. Ele tem mais de vinte anos de experiência especializada em economia, finanças, matemática e estatística, risco e modelagem esportiva.
O Dr. Kissell é autor dos principais livros sobre a indústria, “A Ciência do Algorithmic Trading & Portfolio Management” (Elsevier, 2013), “Multi-Asset Risk Modeling” (Elsevier, 2014) e “Optimal Trading Strategies” (AMACOM). , 2003). Ele publicou vários trabalhos de pesquisa sobre negociação, algoritmos eletrônicos, gerenciamento de risco e melhor execução. Seu trabalho, "Modelos Dinâmicos de Pré-Negociação: Além da Caixa Negra" (2011) ganhou o prestigioso prêmio de papel do ano da Institutional Investor.
O Dr. Kissell é um membro adjunto do corpo docente da Gabelli School of Business da Fordham University e é editor associado do Journal of Trading e do Journal of Index Investing. Ele já foi instrutor na Cornell University em seu programa de graduação em Engenharia Financeira.
Dr. Kissell trabalhou com vários bancos de investimento ao longo de sua carreira, incluindo UBS Securities, onde foi diretor executivo de estratégias de execução e análise de portfólio, e no JPMorgan, onde foi diretor executivo e chefe de estratégias de negociação quantitativa. Anteriormente, ele estava no Citigroup / Smith Barney, onde foi vice-presidente de Pesquisa Quantitativa e na Instinet, onde foi Diretor de Pesquisa de Negociação. Ele começou sua carreira como consultor econômico na R. J. Rudden Associates especializada em energia, preços, risco e otimização.
Durante seus anos de faculdade, o Dr. Kissell foi um membro da equipe de futebol Stony Brook e foi co-capitão em seus anos júnior e sênior. Foi durante este tempo como atleta estudantil, onde ele começou a aplicar matemática e estatística para problemas de modelagem esportiva. Muitas das técnicas discutidas em “Matemática Esportiva Otimizada, Estatística e Fantasia” foram desenvolvidas durante seu tempo em Stony Brook, e avançaram a partir de então. Assim, tornando este livro o subproduto de décadas de pesquisas bem-sucedidas.
Dr. Kissell tem um Ph. D. em Economia pela Fordham University, um MS em Matemática Aplicada pela Hofstra University, um MS em Gestão Empresarial pela Stony Brook University, e um BS em Matemática Aplicada e Estatística pela Stony Brook University.
Afiliações e Expertise.
Robert Kissell, PhD, é presidente do Kissell Research Group, uma empresa global de consultoria financeira e econômica especializada em modelagem quantitativa, análise estatística e negociação algorítmica. Ele também é atualmente um membro adjunto do corpo docente da Gabelli School of Business na Fordham University, e já ocupou vários cargos de liderança sênior em importantes bancos de investimento.
"Kissell. Apresenta os modelos matemáticos para construir, calibrar e testar modelos de impacto de mercado que calculam a mudança no preço da ação causada por um grande comércio ou pedido e apresenta um processo avançado de otimização de portfólio que incorpora impacto de mercado e custos de transação diretamente na otimização do portfólio "- ProtoView, março de 2014.
Комментариев нет:
Отправить комментарий