Optimering av energiportefølje og handelsstrategier Innledning Den optimale utformingen av handels - og porteføljestyringsstrategier i henhold til individuelle risikoavkastningsmål er nøkkelen til at bedrifter lykkes i kraft - og gasshandel. For å møte disse målene på en praktisk og konsekvent måte er det uunnværlig å benytte seg av kraftige kvantitative tilnærminger. Vårt kurs Energiporteføljeoptimalisering og handelsstrategier vil gi deg den nødvendige kunnskapen og praktisk erfaring for å kunne sette opp og anvende disse konseptene i organisasjonen. Kurset presenteres i fellesskap med vår partner KYOS. Målgrupper Dette kurset tar sikte på et bredt spekter av fagfolk som er aktive innen energi - og finanssektoren, inkludert ledere, handelsmenn, eiendomsutviklere, portefølje - og risikostyrere og regulatorer. Alle som ønsker å utvikle en praktisk forståelse av optimalisering av energiporteføljen og handelsstrategier basert på beste praksis, vil tjene på kurset. Kurset presenteres på en dag, delt inn i morgen og ettermiddag økter. Gjennom morgenmøtet vil deltakerne få bakgrunnskunnskap om egenskapene til europeiske energi - og gassmarkeder. Denne sesjonen dekker relevante markedsstrukturer og markedslikviditetsproblemer samt porteføljestrukturer langs forsyningskjeden og rådende risikoeksponeringer. Videre er det innført viktige mål i risikostyring og risikoreduksjon. Dette inkluderer justering av den enkelte risikotoleranse og forretningsstrategi, samt tildeling av risikokapital og begrensning av risiko. Endelig vil deltakerne lære om egenskapene og mekanismene til spesifikke fysiske og finansielle kontraktstrukturer som kreves for å håndtere energiporteføljer, alt fra standardiserte til mer fleksible instrumenter. Ettermiddagsøkten bygger på dette fundamentet og gir detaljert innsikt i grunnleggende og mer avanserte handels - og dynamiske sikringsteknikker i ufullstendige markeder. Endelig vil kursdeltakere lære hvordan man optimaliserer og overvåker porteføljer og handelsstrategier i praksis basert på det velbegrunnede økonomiske bruksbegrepet. Hele kurset har et sterkt fokus på anvendelighet og gir mange førstehåndseksempler og casestudier som: Daglig makt - og gassporteføljeoptimalisering, Optimal bruk av lagrings - og svingkontrakter, Optimale handelsstrategier for usikker fornybar innmating . En deltakersertifikat vil bli utstedt for hver deltaker. Krav Kurset krever ingen spesifikk forhåndskunnskap. Instruktørene er vant til å presentere de underliggende konseptene samt de praktiske eksemplene på en intuitiv måte. Vennligst klikk her for å laste ned brosjyren vår (inkludert kursdetaljer, pris, dato og sted). Porteføljeoptimalisering Verktøy og strategier for porteføljeoptimalisering hjelper investorer med å håndtere sine porteføljer på den mest skatteeffektive måten og bli smartere om skattens innvirkning på deres reelle investering avkastning. GainsKeeper Brokerage tilbyr verktøy som kan generere ytterligere provisjonsmessige handler for meglerfirmaer, samtidig som investorene etter skatt blir bedre. Porteføljesporingsfunksjon Øk kundetilfredshet og akkumulering av eiendeler GainsKeepers porteføljeoptimaliseringsstrategier minimerer kundens skattemessige konsekvenser. Generer høyere handelsvolumer Hjelp kundene dine til å ta informerte handelsbeslutninger mens de øker handelsvolumene. Reduser forespørsler om kundesupport GainsKeeper gir kundene dine verktøy for å redusere kompleksiteten i skattemessige regnskapsproblemer. Øk kundetilfredshet og akkumulering av eiendeler Å levere ettertransaksjonstjenester til kundene er avgjørende for den samlede investoropplevelsen. Med GainsKeepers porteføljeoptimaliseringsverktøy kan kundene dine identifisere skattemessige transaksjoner for å maksimere avkastningen etter skatt og minimere skatt. Generer høyere handelsvolumer GainsKeepers tradingstrategier gjør det mulig for investorer å identifisere fag som kan forbedre sin skatteposisjon. Unngå vaskesalg. GainsKeeper identifiserer posisjoner i en portefølje som vil utløse et vaskesalg hvis det handles på dagens dag, slik at kundene dine kan unngå disse handler. Identifiser investeringer for Double Down-strategien. Med Double Down-strategien tar investorer posisjoner som for tiden er i en dyp, mistenkelig tilstand, og dobler deres beholdninger i dem. Etter å ha ventet 31 dager å ligge utenfor vaskesalgsvinduet, selges disse aksjene med tap. GainsKeeper informerer investorer om stillinger i sine porteføljer som er gode kandidater til Double Down-strategien. Dette gjør det mulig for investorer å gjenkjenne tap i skattemessige hensyn uten å miste sin andel i stillingene. Bruk Selg karakterer til å selge optimale masse først. GainsKeepers Sell Grade måler skattemessige konsekvenser av kundene dine som selger sine investeringer og rangerer dem tilsvarende. Jo høyere salgsverdien er, desto gunstigere handler det fra et skattemessig synspunkt. GainsKeeper tilordner en Selg karakter til hver bedrift og rangerer dem deretter fra høyeste Selg karakter til laveste Selg karakter. En selgingsgrad som er større enn 1,0, sparer dine kundeskattdollar. En salgsgrad på 1,0 er nøytral og har ingen skattepåvirkning. En selgingsgrad mindre enn 1,0 vil koste dine kundesatte dollar. GainsKeepers Sell Grade er hentet fra en proprietær algoritme som vurderer hver skattesats, justert kostnadsgrunnlag (dvs. den opprinnelige kostnadsgrunnlaget justert for all vaskesalg og / eller virksomhetsaksjoner), nåværende holdingsperiode (dvs. langsiktig eller kortsiktig), nåværende markedspris , og viktigst, kundens personlige skattesats og tidligere realiserte gevinster, inkludert karakteren av disse gevinster og tap. På denne måten er GainsKeepers Sell Grade tilpasset hver enkelt persons portefølje og skattesituasjon. Reduser forespørsler om kundesupport Med GainsKeeper integrert i ditt nettsted, støtter du aktivt dine kunder med skatteinformasjon knyttet til deres investeringer, spesielt med hensyn til vaskeforedling, bedriftsaksjoner, beregning av gevinst og Schedule D. Å gi kundene dine verktøyene for å hjelpe dem håndtere kompleksiteten av disse problemene kan bidra til å redusere henvendelser til ditt call center. Portfolio Trader Portfolio Trader er en avansert funksjonalitet for å simulere og autohandel hele porteføljer, som kan inneholde 100s av aksjer, futures og andre instrumenter. Tradisjonelt blir slike kraftige verktøy som Portfolio Trader ofte solgt som en separat applikasjon, men i MultiCharts får du det inkluderende i ditt trading arsenal. Porteføljebasertesting er forbedret til et helt nytt nivå med dynamisk valutakonvertering og fremdriftsoptimalisering. Mens andre plattformer bare gir historiske simuleringer av porteføljehandel, lar MultiCharts Portfolio Trader deg automatisere handel med enhver strategi du utviklet med ett enkelt klikk. Backtesting Portfolio Portefølje backtesting betyr å bruke en eller flere strategier til mange instrumenter samtidig simulere historiske data og måleprestasjoner som om alle symboler ble handlet med disse strategiene. Ulike symboler kan til og med ha forskjellige oppløsninger under testingen: 1 kryss, 3 minutter, 9 dager eller andre. MultiCharts 64-biters versjon er viktig for porteføljebasert testing som det er veldig enkelt å nå kritisk masse med det store antallet kombinasjoner. For teknisk informasjon om denne funksjonen, se på den relaterte Wiki-siden. Konsekvenser for virkelige liv Betraktning av virkelige livsbetingelser er avgjørende for å skape vellykkede porteføljehandelsstrategier. Under porteføljebestemmelser må handelssignaler ofte prioriteres fordi det ikke er nok penger på kontoen for å plassere alle bestillinger. Din strategi kan alltid kjøpe de billigste instrumentene først, eller du vil kanskje at den alltid skal fylle lagerbestillinger før fremtidige ordrer. Definer pengestyring innenfor skript. Alternativer for pengestyring kan enkelt endres via Portfolio Trader-grensesnittet eller ved å bruke PowerLanguage-koden direkte. Vi har lagt til søkeordene for porteføljepengestyring når det passer deg. Vær oppmerksom på at alle søkeord som returnerer eller mottar pengeværdier bruker den valutaen som er angitt i Porteføljeinnstillinger. Lær mer teknisk informasjon på vår Wiki-side. Optimaliser porteføljen din med et par klikk. Porteføljeoptimalisering lar deg finne optimale parametere for hver av porteføljestrategiene en om gangen eller alt på en gang. Både uttømmende og genetiske optimaliseringsmetoder er tilgjengelige i porteføljebestemmelsesmotoren. 64-bitersversjonen av MultiCharts håndterer store data som trengs for begge oppgaver med letthet. Forward Testing Prosessen med å teste en handelsstrategi i sanntid, men uten faktisk handel hos megler. En næringsdrivende kan gjøre en simulering av sin handelsstrategi på relevante data for å måle effektiviteten. For enkelhets skyld inneholder vinduet Forward Performance Testing hovedinformasjonen om strategiytelse for hvert instrument. Portfolio Automated Trading MultiCharts Portfolio Trader kan behandle flere strategier som brukes på ulike grupper av symboler og ruteordrer til ulike meglere. Etter backtesting og optimalisering av strategiene, kan du bytte til ekte handel når ordrer sendes til megleren. Du kan også pause og gjenoppta handelen på noen av instrumentene når du trenger bare med ett klikk. Bruk mer enn én strategi om gang Portfolio Trader er veldig fleksibel, slik at du kan lage flere strategier og kombinere dem på mange måter. Symboler kan deles inn i grupper, og hver gruppe kan ha sin egen strategi. For eksempel kan du ha rotasjons - og spre strategier brukt til ulike grupper av instrumenter i porteføljen din. Du kan også ha et handelssystem som handler aksjer og en annen som handler futures. Resultatet av hver strategi vil påvirke din samlede porteføljeytelse. Se porteføljehandlerstrategi eksempler her. Alle handelsdetaljer ved hånden Bestilling og posisjon Tracker er tilgjengelig under autotrading-prosessen, slik at du kan sjekke kontosaldoen din eller åpne PL når som helst bare med ett klikk. Den gir detaljert oppsummering av bestillinger, posisjoner og kontoer over alle meglere som brukes til handel. Du kan avbryte eller endre ventende ordrer, eller til og med flette hele stillinger direkte fra dette vinduet. Interaktiv porteføljeresultatrapport MultiCharts porteføljerapport er et viktig verktøy når du vurderer hvordan strategiene dine gjør. Det er akkurat som vår vanlige resultatrapport, men den har muligheten til å se sammenbrudd etter symboler eller vise en korrelasjonsmatrise. Porteføljeresultatrapport er tilgjengelig i Auto Trading Mode. Det viser resultater generert fra det øyeblikket det ble åpnet. Henvisning til andre instrumenter med letthet Din handelsstrategi kan referere opp til ni andre instrumenter for å kunne ta en handelsavgjørelse på et hvilket som helst handlende symbol. Dette åpner nye muligheter for å teste strategier som statistisk arbitrage eller parhandel. Lar oss vurdere et par handelsstrategi. Når en av parene er kjøpt eller solgt, trenger strategien din å vite nøyaktig hva som foregår med begge symbolene. Hvis paret ditt er Google og Microsoft, vil du skrive inn GOOG som symbol en og MSFT som symbol to. Da vil du legge til MSFT som data en og GOOG som data to. På denne måten refererer hvert instrument i paret aktivt til det andre instrumentet og du oppnår fullstendig synkronisering. Topp 7 porteføljeoptimaliseringsproblemer Stopper blokker på trek fra teori til praktisk optimalisering i fondstyring. Problem 1: Porteføljeoptimalisering er for vanskelig Hvis du bruker et regneark, er dette faktisk et problem. Regneark er farlig når du får en komplisert oppgave. Porteføljeoptimalisering kvalifiserer som kompleks i denne konteksten (komplisert i datakrav). Hvis du bruker et mer hensiktsmessig databehandling, så er det egentlig ikke så vanskelig. Det er noen problemer som må håndteres, men å ta dem en om gangen gjør oppgaven fra å være overveldende. Hvis du bruker regneark, er reseptet mitt på å bytte til R. Når det er ekte penger på linjen, synes jeg å være pennywise og dollar dumt å bruke et regneark for porteføljeoptimalisering. Hvis du har andre problemer med optimalisering, les resten av dette innlegget. Problem 2: Porteføljeoptimerer foreslår for mye handel En stor frustrasjon med optimalisatorer er at omsetningen kan være overdreven. Alle rimelige porteføljeoptimerer tillater: Omsetningsbegrensninger Transaksjonskostnader Bruk en av disse for å redusere omsetningen til et passende beløp. Vi lar ofte biler rulles ukontrollert nedover bakken. Og vi shouldn8217t tillate det av optimizers heller. Problem 3: Forventet avkastning er nødvendig Først er dette isn8217t strengt sant. Du kan finne minimum variansporteføljer som trenger en variansmatrise, men ikke forventet avkastning. Suksessen med lav volatilitet å investere er en grunn til å gå ned denne ruten. Men forutsatt at du er en aktiv investor, trenger du forventninger i en viss forstand. Det finnes en rekke teknikker som ikke krever numerisk forventet avkastning. målportefølje Alle bør kunne gi en ideell målportefølje 8212 porteføljen du vil holde når alle begrensninger blir ignorert. Når du har målporteføljen, kan du få en portefølje som er 8220close8221 til målet, men overholder begrensningene. En av disse begrensningene bør nesten være omsetning. Sannsynligvis en bedre løsning ville være å minimere sporingsfeilen til målporteføljen. Dette krever en variansmatrise. omvendt optimalisering Teknikken for omvendt optimalisering (også kalt implisitt alfa) kan brukes iterativt for å prøve å finne en portefølje som ser ut som hva du vil ha i forhold til forventet avkastning som er underforstått. Dette unngår faktisk å gjøre optimalisering, men det er arbeidskrevende og det avhenger av begrensningene, ikke å ødelegge de underforståtte alfaer (som kanskje er tvilsomt). aktivitetsranger Hvis du kan bestille eiendelene i ditt univers med hensyn til forventet avkastning, er det mulig å produsere forventet avkastning for å gi til en optimaliserer. Rangering av eiendeler er mye enklere enn å gi numeriske estimater av avkastning. Et papir av Almgren og Chriss forklarer hvordan man kan slå leddene i numerisk forventet avkastning. Det enkle tilfellet krever bare bruk av qnorm-funksjonen i R. Det gir deg relative størrelser, men du vil fortsatt skalere dem for å matche variansmatrisen. Problem 4: Gjennomgående variansoptimalisering er restriktiv Det er en myte at gjennomsnittlig variansoptimalisering bare er nyttig når avkastningen blir normalt distribuert. Det er bakover. Hvis avkastningen normalt fordeles, er gjennomsnittlig variansoptimalisering alt som kan gjøres 8212 alle andre verktøy vil være likeverdige. Se mer på 8220Ancient portefølje teori8221. Hvis returfordelingen av eiendeler i universet ikke er rimelig nær symmetrisk, så, ja, gjennomsnittlig variansoptimalisering er restriktiv og bør ikke brukes. Eksempler på forstyrrende eiendeler er obligasjoner og opsjoner. Men hvis universet bare er aksjer, er gjennomsnittlig varians en ganske god tilnærming til det beste vi kan gjøre. Skewness og kurtosis kan legges til verktøyet for å regne for tilbakebetalingens ikke-normalitet. Blogginnlegget 8220Predictability of skewness and kurtosis i SampP constituents8221 indikerer at skjevhet er sannsynligvis nær umulig å forutsi og forutsigbarheten av kurtosis er begrenset. I 1999 var lavere partielle øyeblikk og semi-varians populær blant tech-aksjer fordi de var veldig risikable, de gikk bare opp. Det viste seg at det var symmetri i retur av tech-aksjer 8212 det var bare at nedsiden kom senere. Hvis du faktisk er i en situasjon 8212, inkludert renteinntekter eller opsjoner 8212 hvor gjennomsnittlig variansoptimalisering ikke er hensiktsmessig, bør du sannsynligvis gjøre scenariooptimalisering. Problem 5: Porteføljeoptimaliseringsinnganger er støyende estimater Porteføljeoptimatorer er dumme nok til å tro på hva vi forteller dem. Optimisatoren gir oss en løsning som om vi virkelig visste forventet avkastning og variansmatrisen. Faktisk: Estimater for forventet avkastning er nesten totale støyestimater av variansmatrisen, er ganske støyende. 8220multallstøt8221 gjelder de beste fondscheferne 8212 8220almost8221 må slettes for underfondsbestyrere. Faktormodeller av varians er ofte innført til optimalisatorer. Disse er mye bedre enn utvalgsvarianmatriser for store universer. Det er sannsynligvis bedre enn å bruke et krympingsestimat. nominativ feil Vi har et Wharfian problem med 8220portfolio optimization8221. Folk tror at vi optimaliserer porteføljen når vi sier det. Faktisk er vi virkelig optimalisere handelen. For noen formål betyr det ikke noe, men det spiller ingen rolle når vi tenker på hva de skal gjøre med støyende innganger. Black-Litterman type operasjoner Noen tror at å gjøre noe som Black-Litterman er en løsning på dette problemet. Det er isn8217t. Hvis det gjøres intelligent, reduseres det 8212, men eliminerer ikke 8212 støyen i forventet avkastning. robust optimalisering Den virkelige løsningen på dette problemet går under navnet robust optimalisering. Jeg finner denne termen uheldig fordi det er flere bruksområder av begrepet 8220robust8221 som lett kan forveksles med betydningen av å få gode løsninger på en handelsoptimalisering fra støyende innganger. Det er et ganske stort utvalg av forslag til implementering av løsninger. De fleste er ganske kompliserte. Det er en enkel og lett implementert løsning (selv om det nøyaktige nummeret sannsynligvis må finnes via eksperimentering). Here8217s historien (forutsatt at vi har en eksisterende portefølje): Hvis inngangene vi gir til optimalisatoren, er helt sanne, bør vi akseptere hva optimisereren sier. Vi bør gjøre den anbefalte handelen 8212 husk at vi optimaliserer handelen. Hvis inngangene vi gir til optimalisatoren er komplett søppel, bør vi ikke gjøre noe. Vår handel bør være null. Virkeligheten er at våre innganger er et sted mellom nøyaktig sann og fullstendig søppel, så vår handel bør være et sted mellom den foreslåtte handel og ingen handel. Vi ønsker å krympe handelen. Det er lett å krympe handelen enten ved å pålegge en (sterkere) omsetningsbegrensning eller ved å øke transaksjonskostnadene. Hvor mye å gjøre er et problem, selvfølgelig, men prinsippet er enkelt. Et gjetning er sannsynligvis bedre enn å ikke gjøre det i det hele tatt. Problem 6: Transaksjonskostnader er vanskelig Dette er sant. Noen av kostnadene er enkle, men markedsvirkningen er vanskelig å knuse. Men det er en jevn vanskeligere bit: enten transaksjonskostnadene må skaleres for å matche forventet avkastning og varians, eller forventet avkastning og varians skal skaleres for å matche transaksjonskostnadene. De tre enhetene vises alle i verktøyfunksjonen, og skalering er nødvendig for at verktøyet skal gi mening. Coward8217s utvei er bare for å pålegge en omsetningsbegrensning. Den andre måten er å jobbe og tenke hardt om handelsutgifter. Og sannsynligvis å bruke en optimaliserer som gir fleksibel spesifikasjon av kostnader. Problem 7: Risiko - og alfakorrigeringsproblemer Det har vært snakk blant porteføljeoptimaliseringen literati om alfa-spising og faktorjustering. Hele saken høres veldig geeky ut (til og med en nerd som meg). Hovedpunktet er at hvis det er faktorer som brukes i forventet avkastning, som ikke er faktorer i risikomodellen, vil optimisatoren tro at disse faktorene i det vesentlige er risikofri og bruker dem for mye. En av de viktigste 8220solutions8221 til dette er å legge til de manglende faktorene i risikomodellen. Dette antar selvsagt at det er faktorer i den forventede avkastningsmodellen. Jeg mistenker at det virkelige problemet er at faktormodeller er feil teknologi som skal brukes som variansmatrisen i optimalisatorer. Løsningen er da bedre teknologi. Mitt forslag er å bruke Ledoit-Wolf estimater som krymper mot lik korrelasjon. Problem 8: Begrensninger blir i veien Dette er det usynlige problemet. Det er ingen bekymring for folk fordi de ikke vet at de har det. Begrensninger er på plass slik at porteføljen ikke gjør alt for dumt. Men hvor mange har sjekket for å se at begrensningene gjør det som planlagt. 8220the8221 i tittelen er selvsagt hånende nonsens 8212 Jeg skjønner virkelig ikke hvilke problemer som er på toppen. Hvilke andre problemer er i driften av Appendiks R-porteføljeoptimalisering i R Mange av de kommersielle porteføljeoptimiseringene har et R-grensesnitt. Dette inkluderer selvfølgelig Portfolio Probe. Det er en rekke mer eller mindre naive porteføljeoptimaliseringsimplementeringer i R som har blitt bidratt. Se Empirical Finance-oppgavevisningen for flere detaljer. Ledoit-Wolf-krymping Du kan få en funksjon som gjør Ledoit-Wolf krymping mot lik korrelasjon ved å gjøre (i R): Den første kommandoen du bare trenger å gjøre en gang (per versjon av R), det andre du trenger å gjøre i hver R økt der du ønsker å bruke funksjonen. Det kalles var. shrink. eqcor. Som standard sikrer dette at minimumsverdien er minst 0,001 ganger den største egenverdien. Dette er en måte å unngå faktorjusteringsproblemet på. Det er ingen vitenskapelig grunn til at denne spesielle verdien av grensen 8212 er fri til å eksperimentere og rapportere tilbake. BurStFin-pakken har også factor. model. stat som anslår en statistisk faktormodell. Når de får data fra aksjer, må de være fra og til samme dato. Å ha data for ett selskap8217s aksjer (selskap A) i år før finanskrisen (da de gjorde det veldig bra) og ett selskap8217s (selskap B) aksjer i år med lavkonjunktur isn8217t ganske nyttig, fordi porteføljeoptimaliseringsprogramvarealgoritmen vil returnere produksjonen som alle vekter skal gå til firmaet A Høyre Du er i problem 3 her: forventet avkastning er vanskelig. Som jeg sa i mine høyere øyeblikk, er det å snakke med historisk avkastning nær helt ubrukelig for de fleste formål. Som du med rette påpeker, ville de være enda mer farlige dersom historiske perioder ikke er de samme (i det minste i stor grad). Takk for det opplysende innlegget. Jeg er spesielt interessert i kraften til R som et investeringsanalyseværktøy. Etter å ha gjennomført den klassiske porteføljeoptimeringsmodellen, søker jeg etter en effektiv måte å tegne hele det gjennomførbare investeringsområdet i R (i tillegg til den effektive investeringsgrensen). Min nåværende tilnærming er å generere tilfeldige porteføljevekter (jevnt fordelt i en simplex), kontroller at begrensninger holdes og plott dem. Imidlertid er diagrammene jeg får, svært forskjellige fra de som jeg har sett som utgang fra andre programmer (for eksempel OptiFolio. ECVaR). Mine resultater viser en veldig liten sky av porteføljer. Har du noen forslag til hvordan du produserer et mer detaljert gjennomførbart investeringsområde ved hjelp av R Jeg mistenker at du ser noe som Figur 3 av Realiserte effektive grenser. Det ser ut til at typiske porteføljer lever i en ganske liten del av det gjennomførbare rommet. Jeg har aldri prøvd å gjøre det du gjør, så jeg har ingen visdom om emnet. Jeg tror du må gjøre noen form for optimalisering med varierende innganger. Men jeg kan ikke se det, for øyeblikket i det minste. Hvis du kan anta at det gjennomførbare rommet er konveks, så er 8216chull8217 (som i 8216convex hull8217) R-funksjonen din venn.
No comments:
Post a Comment