Il Trading Algoritmico
Il Trading Algoritmico sta ormai sempre di più prendendo piede e continuano a nascere aziende che attraverso i Big Data e l’Intelligenza Artificiale trasformano grandi moli di dati in segnali di trading.
Per poter mettere in piedi un modello quantitativo però bisogna seguire diversi passi. Attraverso Python è possibile costruire un Data Frame che ci permette di analizzare i dati per fare trading lasciando da parte le emozioni. Nel nostro percorso su Python vi mostriamo come mettere in piedi questo processo.
Per poter mettere in piedi un modello quantitativo però bisogna seguire diversi passi. Attraverso Python è possibile costruire un Data Frame che ci permette di analizzare i dati per fare trading lasciando da parte le emozioni. Nel nostro percorso su Python vi mostriamo come mettere in piedi questo processo.
Le componenti di un Modello Quantitativo
Esistono 4 componenti per mettere in piedi un modello quantitativo:
1. Alpha Model. Lo scopo di ogni trader è quello di generare Alpha dal proprio capitale. Un Alpha che deve essere superiore a quello del mercato. Il modello di Alpha Generation rappresenta una serie di regole matematiche e statistiche che trasformano la nostra tesi di investimento in segnali esecutivi. Per esempio un Alpha Model basato sulla price action e momentum potrebbe utilizzare indicatori come RSI o MACD insieme ad altri dati. Un modello basato invece sul sentiment potrebbe utilizzare NLP (Natural Language Processing) su documenti di testo come notizie, blogs o social media, e così via.
2. Risk Model. Il modello di rischio è alla base di una strategia di trading di successo. Per ogni trade bisogna avere un piano di esecuzione con uno stop loss definito nel caso il trade si muova nella direzione sbagliata e un target di profitto.
3. Transaction Cost Model. Durante la creazione di un modello bisogna considerare i costi di transazione e il possibile slippage. Ne abbiamo parlato in un’altro articolo sul Backtest.
4. Execution Model. Una volta costruito il modello bisogna capire il modo migliore ed efficace per eseguire gli ordini. La maggior parte dei Brokers ha a disposizione API che permettono di collegarsi direttamente al proprio conto ed eseguire in modo sistematico.
Prima di andare live con capitali reali dobbiamo testare la nostra strategia utilizzando un campione di dati significativo. Questo processo si chiama Backtest.
1. Alpha Model. Lo scopo di ogni trader è quello di generare Alpha dal proprio capitale. Un Alpha che deve essere superiore a quello del mercato. Il modello di Alpha Generation rappresenta una serie di regole matematiche e statistiche che trasformano la nostra tesi di investimento in segnali esecutivi. Per esempio un Alpha Model basato sulla price action e momentum potrebbe utilizzare indicatori come RSI o MACD insieme ad altri dati. Un modello basato invece sul sentiment potrebbe utilizzare NLP (Natural Language Processing) su documenti di testo come notizie, blogs o social media, e così via.
2. Risk Model. Il modello di rischio è alla base di una strategia di trading di successo. Per ogni trade bisogna avere un piano di esecuzione con uno stop loss definito nel caso il trade si muova nella direzione sbagliata e un target di profitto.
3. Transaction Cost Model. Durante la creazione di un modello bisogna considerare i costi di transazione e il possibile slippage. Ne abbiamo parlato in un’altro articolo sul Backtest.
4. Execution Model. Una volta costruito il modello bisogna capire il modo migliore ed efficace per eseguire gli ordini. La maggior parte dei Brokers ha a disposizione API che permettono di collegarsi direttamente al proprio conto ed eseguire in modo sistematico.
Prima di andare live con capitali reali dobbiamo testare la nostra strategia utilizzando un campione di dati significativo. Questo processo si chiama Backtest.