Estratégias de negociação de otimização de portfólio

Otimização de portfólio de energia e estratégias de negociação Introdução A modelagem ótima das estratégias de negociação e gerenciamento de portfólio de acordo com metas individuais de retorno de risco é fundamental para o sucesso das empresas no comércio de energia e gás. Para atingir esses objetivos de forma prática e consistente, é indispensável fazer uso de abordagens quantitativas poderosas. Nosso curso As estratégias de otimização e comercialização de portfólio de energia fornecerão o conhecimento necessário e a experiência prática para estabelecer e aplicar com sucesso esses conceitos em sua organização. O curso é apresentado em conjunto com o nosso parceiro KYOS. Grupos-alvo Este curso visa uma ampla gama de profissionais ativos no setor de energia e financeiro, incluindo gerentes, comerciantes, desenvolvedores de ativos, gestores de portfólio e riscos e reguladores. Qualquer outra pessoa que deseje desenvolver uma compreensão prática da otimização de portfólio de energia e das estratégias de negociação com base nas melhores práticas aproveitará o curso. O curso é apresentado em um dia, dividido em sessões da manhã e da tarde. Durante a sessão da manhã, os participantes adquirirão conhecimentos sobre as características dos mercados europeus de energia e gás. Esta sessão abrange estruturas de mercado relevantes e questões de liquidez de mercado, bem como estruturas de portfólio ao longo da cadeia de suprimentos e exposições de risco prevalecentes. Além disso, os principais objetivos em gerenciamento de riscos e mitigação de riscos são introduzidos. Isso inclui o alinhamento da tolerância ao risco individual e da estratégia de negócios, bem como a alocação de capital de risco e a limitação de riscos. Finalmente, os participantes aprenderão sobre as características e mecanismos das estruturas de contratos físicos e financeiros específicos necessários para gerenciar portfólios de energia, desde instrumentos padronizados até instrumentos mais flexíveis. A sessão da tarde baseia-se nessa base e fornece informações detalhadas sobre técnicas básicas e mais avançadas de negociação e de hedge dinâmico em mercados incompletos. Finalmente, os participantes do curso aprenderão como otimizar e monitorar as carteiras e as estratégias de negociação na prática com base no conceito econômico bem-fundamentado de utilidade. Todo o curso tem um forte foco na aplicabilidade e fornece inúmeros exemplos em primeira mão e estudos de caso, tais como: otimização diária do portfólio de energia e gás, uso ótimo de contratos de armazenamento e balanço, estratégias de negociação óptimas para alimentação renovável incerta . Um certificado de atendimento será emitido para cada participante. Requisitos O curso não requer nenhum pré-conhecimento específico. Os instrutores são usados ​​para apresentar os conceitos subjacentes, bem como os exemplos práticos de forma intuitiva. Por favor, clique aqui para baixar nossa brochura (incluindo os detalhes do curso, preço, data e localização). Os 7 melhores problemas de otimização do portfólio. Tropeços na caminhada da teoria para a otimização prática na gestão de fundos. Problema 1: a otimização do portfólio é muito difícil Se você estiver usando uma planilha, então isso é realmente um problema. As planilhas são perigosas quando é dada uma tarefa complexa. Otimização de portfólio qualifica como complexo neste contexto (complexo em requisitos de dados). Se você estiver usando um ambiente de computação mais apropriado, então não é realmente tão difícil. Existem alguns problemas que precisam ser tratados, mas levá-los de um para o outro impedem a tarefa de ser esmagadora. Se você estiver usando planilhas, minha receita é mudar para R. Quando há dinheiro real na linha, usar uma planilha para otimização de portfólio parece ser um penny sábio e um tolo tolo. Se você tiver outros problemas com a otimização, leia o restante desta publicação. Problema 2: os otimizadores do portfólio sugerem muita negociação. Uma grande frustração com os otimizadores é que o volume de negócios pode ser excessivo. Todos os otimizadores de portfólio razoáveis ​​permitem: restrições de volume de negócios custos de transação Use qualquer um destes para reduzir o volume de negócios a um valor adequado. Nós don8217t muitas vezes deixamos os carros rolarem descontrolados por uma colina. E não devemos permitir isso também aos otimizadores. Problema 3: os retornos esperados são necessários Primeiro, esse isn8217t é estritamente verdadeiro. Você pode encontrar portfólios de variância mínima que precisam de uma matriz de variância, mas não esperados. O sucesso da baixa volatilidade de investimento é uma razão para seguir esta rota. Mas assumindo que você é um investidor ativo, você precisa de expectativas em algum sentido. Existem várias técnicas que requerem retornos numéricos esperados. Portfólio de endereços Qualquer um deve ser capaz de fornecer um portfólio objetivo ideal 8212 o portfólio que você gostaria de manter quando todas as restrições são ignoradas. Depois de ter o portfólio alvo, você pode obter um portfólio que seja 8220close8221 para o alvo, mas obedece às restrições. Uma dessas restrições deve ser seguramente uma rotatividade. Provavelmente, uma solução melhor seria minimizar o erro de rastreamento para o portfólio de destino. Isso exige uma matriz de variância. Otimização reversa A técnica de otimização reversa (também chamada alfa implícita) pode ser usada iterativamente para tentar encontrar um portfólio que se pareça com o que você deseja em termos dos retornos esperados que estão implícitos. Isso evita realmente fazer otimização, mas é intensivo em mão-de-obra e depende das restrições que não destroem os alfas implícitos (o que talvez seja duvidoso). Rankings de ativos Se você pode ordenar os ativos em seu universo em termos de retornos esperados, então é possível produzir retornos esperados para dar a um otimizador. Os ativos de classificação são muito mais fáceis do que dar estimativas numéricas de retornos. Um artigo de Almgren e Chriss explica como transformar as classificações em retornos numéricos esperados. O caso simples apenas requer o uso da função qnorm em R. Isso lhe dá tamanhos relativos, mas você ainda deseja dimensioná-los para combinar a matriz de variância. Problema 4: otimização da variância média é restritiva Existe um mito de que a otimização da variância média só é útil quando os retornos são normalmente distribuídos. Atrás do passado. Se os retornos forem normalmente distribuídos, a otimização da variância média é tudo o que pode ser feito 8212 todos os outros utilitários serão equivalentes. Veja mais em 8220Cortical de portfólio antigo8221. Se a distribuição de retorno de quaisquer ativos no universo não for razoavelmente próxima da simétrica, então, sim, a otimização da variância média é restritiva e não deve ser usada. Exemplos de ativos disruptivos são títulos e opções. No entanto, se o universo é apenas estoque, então a variância média é uma aproximação bastante boa para o melhor que podemos fazer. Skewness e kurtosis podem ser adicionados ao utilitário para explicar a não-normalidade dos retornos. A publicação do blog 8220Predictability of skewness and kurtosis in SampP constituents8221 indica que o skewness provavelmente é quase impossível de prever e a previsibilidade da curtose é limitada. Em 1999, os momentos parciais mais baixos e a semi-variância eram populares com os estoques tecnológicos porque eles não eram realmente arriscados, eles apenas subiram. Descobriu-se que havia simetria nos retornos das ações de tecnologia 8212 era apenas que o lado negativo veio mais tarde. Se de fato você estiver em uma situação 8212, incluindo renda fixa ou opções 8212, onde a otimização de variância média não é apropriada, então você provavelmente deve fazer otimização de cenário. Problema 5: entradas de otimização de portfólio são estimativas barulhentas Os otimizadores de portfólio são estúpidos o suficiente para acreditar no que lhes dizemos. O otimizador nos dá uma solução como se realmente conhecesse os retornos esperados e a matriz de variância. Na verdade: as estimativas dos retornos esperados são estimativas de ruído quase total da matriz de variância são bastante ruidosas. O 8220 quase 8221 aplica-se aos melhores gestores de fundos 8212. O 8220modo8221 precisa ser descartado por gerentes de fundos abaixo da média. Os modelos de variância de fatores são freqüentemente insumos para otimizadores. Estas são muito melhores do que as matrizes de variância de amostras para universos grandes. No entanto, usar uma estimativa de encolhimento provavelmente é melhor do que qualquer um. Erro nominativo Temos um problema de Wharfian com otimização de portfólio 82208221. As pessoas pensam que estamos otimizando o portfólio quando dizemos isso. Na verdade, estamos realmente otimizando o comércio. Para alguns fins, isso não interessa, mas importa quando pensamos sobre o que fazer com entradas ruidosas. Operações tipo Black-Litterman Algumas pessoas pensam que fazer algo como Black-Litterman é uma solução para este problema. Não é. Se feito de forma inteligente, reduz o 8212, mas não elimina 8212 o ruído nos retornos esperados. Otimização robusta A solução real para este problema passa pelo nome da otimização robusta. Acho que este termo é infeliz, uma vez que existem vários usos do termo 8220robust8221 que podem ser facilmente confundidos com o significado de obter boas soluções para uma otimização comercial de entradas barulhentas. Existe uma seleção bastante ampla de propostas para implementar soluções. A maioria deles é bastante complicada. Existe uma solução simples e facilmente implementada (embora o número exato provavelmente precise ser encontrado através da experimentação). Aqui, a história (assumindo que temos um portfólio existente): se as entradas que damos ao otimizador são exatamente verdadeiras, devemos aceitar o que o otimizador diz. Devemos fazer o comércio sugerido 8212 lembre-se de que estamos otimizando o comércio. Se as entradas que damos ao otimizador são lixo completo, não devemos fazer nada. Nosso comércio deve ser zero. A realidade é que nossos insumos estão em algum lugar entre lixo verdadeiro e completo, de modo que nosso comércio deve estar em algum lugar entre o comércio sugerido e nenhum comércio. Queremos reduzir o comércio. É fácil reduzir o comércio, quer impondo uma restrição de volume de negócios (mais forte) ou aumentando os custos de transação. O quanto fazer é um problema, é claro, mas o princípio é simples. É provável que um palpite seja melhor do que não fazê-lo. Problema 6: os custos de transação são difíceis. Isso é verdade. Alguns dos custos são diretos, mas o impacto no mercado é difícil de identificar. Mas isso é um pouco mais difícil: os custos de transação precisam ser dimensionados para corresponder os retornos esperados e a variação, ou os retornos esperados e a variação precisam ser dimensionados para corresponder aos custos de transação. As três entidades aparecem na função de utilidade, e a escala é necessária para que o utilitário faça sentido. A saída do coward8217 é apenas impor uma restrição de volume de negócios. O outro caminho é trabalhar e pensar muito sobre os custos de negociação. E provavelmente usar um otimizador que permita especificações flexíveis de custos. Problema 7: risco e problema de alinhamento do fator alfa Houve conversa entre o otimização de portfólio de literatos sobre alimentação alfa e alinhamento de fatores. A coisa toda soa seriamente geeky (mesmo para um nerd como eu). A essência disso é que, se houver fatores usados ​​nos retornos esperados que não sejam fatores no modelo de risco, o otimizador irá pensar que esses fatores são essencialmente sem risco e usá-los demais. Uma das principais 8220solutions8221 para isso é adicionar os fatores que faltam ao modelo de risco. Isso, obviamente, pressupõe que existem fatores no modelo de retorno esperado. Eu suspeito que o problema real é que os modelos de fatores são a tecnologia errada para usar como a matriz de variância em otimizadores. A solução, então, é melhor tecnologia. Minha sugestão é usar as estimativas de Ledoit-Wolf que se encolhem em direção a uma correlação igual. Problema 8: restrições ficam no caminho Este é o problema invisível. Não preocupa as pessoas porque não sabem que elas têm. As restrições estão em vigor para que a carteira não faça nada tão estúpido. Mas quantos verificaram para ver que as restrições estão fazendo como pretendido. O 8220the8221 no título é, obviamente, absurdo 8212 Eu realmente não sei quais problemas estão no topo. Quais outros problemas estão na otimização do portfólio Apêndice R em R Muitos dos otimizadores de portfólio comercial possuem uma interface R. Isso, claro, inclui o Portfolio Sonda. Existem algumas implementações de otimização de portfólio mais ou menos ingênuas em R que foram contribuídas. Veja a visão da tarefa Empirical Finance para obter mais detalhes. Encolhimento de Ledoit-Wolf Você pode obter uma função que faz o encolhimento de Ledoit-Wolf para uma correlação igual ao fazer (em R): O primeiro comando que você só precisa fazer uma vez (por versão de R), o segundo que você precisa fazer em cada R Sessão em que você deseja usar a função. É chamado var. shrink. eqcor. Por padrão, isso garante que o autovalor mínimo seja pelo menos 0,001 vezes o maior autovalor. Esta é uma maneira de evitar o problema de alinhamento de fator. Não há nenhuma razão científica para esse valor particular do limite 8212 sinta-se livre para experimentar e relatar. O pacote BurStFin também possui factor. model. stat, que estima um modelo de fator estatístico. Ao obter dados dos estoques, eles devem ser da mesma data. Dispondo de dados para uma empresa de ações (ações da empresa A) nos anos anteriores à crise financeira (quando eles realmente foram bons) e uma empresa8217s (empresa B) em anos de recessão Não é bastante útil, porque o algoritmo de software de otimização de portfólio retornará a saída que todos os pesos devem ser diretos para a empresa. Você está no Problema 3 aqui: os retornos esperados são difíceis. Como eu disse em meus momentos mais altos, conversar com retornos históricos é quase inútil para a maioria dos propósitos. Como você acertadamente salienta, eles seriam ainda mais perigosos se os períodos históricos não forem os mesmos (pelo menos em grande parte). Obrigado pela publicação esclarecedora. Estou especialmente interessado no poder da R como uma ferramenta de análise de investimentos. Depois de implementar com sucesso o modelo clássico de otimização de portfólio, procuro uma maneira eficiente de desenhar toda a área de investimento viável em R (além da fronteira de investimento eficiente). Minha abordagem atual é gerar pesos de portfólio aleatórios (uniformemente distribuídos dentro de um simples), verifique se as restrições são mantidas e traçam. No entanto, os gráficos que recebo são muito diferentes dos que eu vi como resultado de outros programas (por exemplo, OptiFolio. ECVaR). Meus resultados mostram uma pequena nuvem de carteiras. Você tem alguma sugestão sobre como produzir uma área de investimento viável mais detalhada usando R. Eu suspeito que você esteja vendo algo como a Figura 3 de Frentes eficientes realizadas. Parece que as carteiras típicas vivem em uma parte bastante pequena do espaço viável. Eu nunca tentei fazer o que você está fazendo, então eu realmente não tenho qualquer sabedoria sobre o assunto. Eu acho que você precisará fazer algum tipo de otimização com diferentes entradas. Mas eu não o vejo completamente, no momento pelo menos. Se você pode assumir que o espaço viável é convexo, então a função 8216chull8217 (como na 8216convex hull8217) R é sua amiga. Blog de FlexAdvantage Portfolio Negociação Plotando sua Otimização Grandes fundos do índice e fundos mútuos que negociam passivamente são populares nos dias de hoje, mas se mudando As posições sem incorrer em impactos no mercado podem ser desafiadoras. Fundos de pensões e fundos indexados que reequilibram periodicamente suas carteiras uma vez por mês ou uma vez por trimestre podem enfrentar riscos de negociação de carteira semelhantes. FlexPTS (Portfolio Trade Scheduler) Para resolver este problema, FlexTrade criou o FlexPTS. Uma ferramenta sofisticada de otimização que determina o melhor cronograma de negociação para carteiras. Depois de ter uma lista de negociação de portfólio com metas para comprar e vender, o FlexPTS gera um cronograma de ordens de compra e venda divididas em janelas de 15 minutos, de modo que os tamanhos alvo sejam atendidos no final do comércio. Representando a terceira etapa da oferta avançada de análise FlexEdge da empresa, o FlexPTS foi projetado para janelas de vários dias e gerenciamento de carteiras globais. A biblioteca de otimização matemática conhecida da IBM ILOG CPLEX é usada sob o capô. O produto é direcionado para empresas de compra ou venda que negociam durante um período de meio dia, um dia ou vários dias porque partes da lista comercial são ilíquidas. Illiquid significa que o valor que precisa ser negociado em nome do portfólio é alto em relação aos volumes diários médios, explica Ran Hilai, vice-presidente de otimização de portfólio da FlexTrade. Como funciona o FlexPTS Para evitar custos de impacto do mercado, as empresas de compra e venda podem executar suas idéias através do otimizador FlexPTSs, o que gera um cronograma de negociação de quanto em cada nome para comprar e vender. O agendamento de comércio baseado em portfólio é fornecido através de algoritmos de otimização de última geração, análise de risco de portfólio e modelagem de impacto de mercado. Utilizado pelas mesas de negociação do programa, o FlexPTS emprega um algoritmo de negociação de portfólio de falta de implementação para ajudar os comerciantes a atingir o índice de preços de chegada. O déficit de implementação é uma medida da diferença entre o preço médio de execução e o preço quando o pedido chega na mesa de negociação. Além disso, os comerciantes precisam minimizar o risco de preço, mas estes podem ser objetivos conflitantes, explica Hilai. Se alguém quiser minimizar o custo relativo ao preço da chegada, eles precisam levar muito tempo negociando passivamente. Mas se alguém quiser negociar perto do preço da chegada para reduzir seus riscos, eles precisam negociar agressivamente antes que o preço mude, ele acrescenta. Negociar lentamente resulta em um baixo impacto no mercado, mas incorre em um alto risco de preço. No entanto, o comércio reduz rapidamente o risco de preço, mas resulta em um alto impacto, ele explica. O objetivo do FlexPTS é encontrar o cronograma representando o melhor trade-off entre esses dois objetivos conflitantes, mantendo as restrições dos clientes. Por exemplo, os clientes podem definir suas próprias restrições, tais como, restrição de caixa: uma limitação definida no desequilíbrio entre os valores de compra e venda da parte ainda não executada do portfólio. Restrição de participação: um limite de comércio em termos de porcentagem do volume diário médio (ADV) da janela aplicado a cada intervalo de comércio de 15 minutos. Controle de Risco de portfólio Embora a falta de implementação possa ser aplicada ao comércio de nomes únicos, agendar um portfólio inteiro é uma maneira mais efetiva de reduzir o risco, especialmente se for um portfólio longo. Isso é verdade porque o programador usa correlações de preços observadas para reduzir o risco de um comércio. Se este for um reequilíbrio do fundo, você geralmente possui uma carteira de compra e venda, ilustra Hilai. Ao aderir a um cronograma de negociação, você pode entrar no portfólio e fazer algumas negociações cedo que podem melhorar o erro de rastreamento das compras em relação às vendas, diz Hilai. Então, uma vez que o erro de rastreamento é reduzido, você pode demorar mais tempo e trocar mais passivamente, já que você se encontra no portfólio e não precisa gastar mais tempo em hedging, explica Hilai. O controle de risco é todo o ponto. O FlexPTS permite ao comerciante controlar o risco em todo o portfólio. Um agendador de comércio estima a volatilidade de qualquer carteira usando um modelo de risco de portfólio, que, por sua vez, fornece estimativas da volatilidade de cada estoque e a correlação entre fatores de risco, como setores e indústrias, fatores fundamentais e estatísticos. Modelos de Risco O FlexPTS incorpora o modelo de risco diário da Northfield Information Services, Inc .. ou este modelo pode ser substituído por qualquer cliente ou modelo de risco de terceiros. O modelo de risco está analisando todo o portfólio e cada nome possui correlações com outros nomes no portfólio. Alguns nomes são removidos imediatamente, porque isso irá remover o risco. Agendando seus negócios Em termos de agendamento de portfólio, se um comerciante se livrar dos nomes que estão adicionando riscos, os retornos irão melhorar. No entanto, os retornos, especialmente a longo prazo, dependem da seleção dos gestores de carteira de participações. O FlexPTS trata apenas do custo de negociação em relação ao preço da chegada. O risco tem muito a ver com a correlação entre os nomes no portfólio, explica Hilai. Como resultado da execução do FlexPTS, o comerciante obterá um cronograma de negociação para completar o comércio. Enquanto o PTS não seleciona os nomes para o comércio, ele simplesmente sugere um comércio. Se o comerciante vai linha por linha, os nomes que serão concluídos cedo serão os nomes líquidos, enquanto os nomes ilíquidos serão finalizados por último, explica Hilai. Se os comerciantes se desviam da programação sugerida devido a razões como uma combinação de pool escuro em um nome ilíquido, o otimizador FlexPTS pode ser invocado várias vezes para re-otimizar o cronograma de comércio restante. Ao contrário da maioria dos algoritmos disponíveis, o FlexPTS, que lida com horários de dia inteiro, de um dia ou de vários dias, pode determinar automaticamente o tamanho ideal da janela comercial. Under the Hood Uma vez que o FlexPTS é um otimizador, ele possui uma função de utilidade com restrições. A função de utilidade é definida como a minimização do custo de impacto do mercado esperado mais o risco de mercado esperado. A utilidade é construída com duas funções: o impacto esperado do mercado com base no modelo que o FlexPTS está usando em todo o portfólio e a duração do comércio. O FlexPTS coloca o risco, que é a raiz quadrada da variância na função de utilidade e o troca contra o custo esperado. Outros sistemas podem usar a variância porque é matematicamente mais fácil, mas dá resultados inferiores, de acordo com Hilai. O Processo em Ação Ao medir o risco em todo o portfólio, um determinado horário de um dia poderia instruir o comerciante a executar 26 transações diferentes em intervalos de 15 minutos. O modelo de risco proporcionará a variância. Então, o FlexPTS adicionaria as variações de todas as 26 negociações e, em seguida, levaria a raiz quadrada da soma. Isso resulta na variação esperada em relação ao preço da chegada, de acordo com Hilai. No final do cronograma, seja o lado da compra ou do lado da venda, o comerciante deve completar a quantidade total de execução exigida pelo gerente de portfólio, diz Hilai. Essas são as restrições e a função de utilidade existe para minimizar o Valor em Risco, diz ele. Confidencialidade Para preservar a confidencialidade de sua estratégia, comprar comerciantes de lado pode otimizar seus negócios sem expor a lista inteira ao lado da venda. Em vez de enviar toda a lista, os negócios podem ser encaminhados para mesas de venda ou servidores algorítmicos em pedidos menores seguindo a programação ideal fornecida pelo FlexPTS. Conclusão Os usuários podem acessar ações do FlexPTS na barra de ferramentas no FlexTRADER EMS. Depois que um portfólio é otimizado, o cronograma resultante pode se tornar parte integrante de qualquer estratégia de execução no FlexTRADER, incluindo o uso de algoritmos de negociação personalizados e todas as piscinas escuras disponíveis. Durante a negociação, várias análises do FlexPTS atualizam constantemente no front-end do FlexPTS. Para obter mais informações sobre FlexPTS e sua integração com seu sistema, entre em contato conosco no salesflextrade.