Cantitate/Preț
Produs
Total produse
Vezi coșul
Quantitative Portfolio Management de Michael Isichenko

Quantitative Portfolio Management

Autor Michael Isichenko
en Limba Engleză Hardback – 31 aug 2021

În managementul modern al activelor, trecerea de la intuiție la algoritmi necesită instrumente de o precizie matematică riguroasă. Ne-a atras atenția abordarea Dr. Michael Isichenko, care propune un cadru de lucru complet pentru arbitrajul statistic, oferind cititorului șabloane de analiză pentru datele de tip tick și bar, modele de risc multi-factor și checklist-uri esențiale pentru evitarea suprapotrivirii (overfitting). Apreciem în mod deosebit modul în care autorul transformă concepte abstracte, precum entropia Shannon sau dimensiunea VC, în elemente aplicabile în prognoza randamentelor activelor. Volumul este organizat logic, urmărind procesul secvențial al unei strategii de tranzacționare: începe cu infrastructura datelor, trece prin mecanismele de prognoză (momentum, mean reversion, machine learning) și culminează cu optimizarea portofoliului și controlul costurilor de execuție. Remarcăm profunzimea cu care sunt tratate sursele de date alternative, de la fluxurile de știri la datele macroeconomice, oferind un avantaj competitiv în piețe eficiente. Complementar volumului Quantitative Trading de Xin Guo, care se concentrează masiv pe microstructura pieței și dinamica registrului de ordine, Quantitative Portfolio Management extinde analiza către construcția portofoliului pe perioade multiple și utilizarea tehnicilor de machine learning secundar pentru a combina prognozele. Spre deosebire de Quantitative Trading Strategies Using Python, care este centrat pe implementarea de cod, lucrarea de față pune accent pe fundamentul teoretic și pe rigoarea statistică necesară pentru a supraviețui „blestemului dimensionalității”. Este o resursă esențială care transformă știința datelor într-un instrument de tranzacționare disciplinat și profitabil.

Citește tot Restrânge

Preț: 30281 lei

Puncte Express: 454

Carte disponibilă

Livrare economică 09-23 mai
Livrare express 28 aprilie-02 mai pentru 5195 lei

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9781119821328
ISBN-10: 1119821320
Pagini: 304
Dimensiuni: 161 x 238 x 22 mm
Greutate: 0.62 kg
Editura: Wiley
Locul publicării:Hoboken, United States

De ce să citești această carte

Recomandăm această carte profesioniștilor din investiții și cercetătorilor care doresc să stăpânească arbitrajul statistic. Veți învăța cum să construiți un model de tranzacționare robust, capabil să integreze date eterogene și să gestioneze riscurile în mod dinamic. Câștigul major este înțelegerea profundă a modului în care machine learning poate fi aplicat corect în finanțe, evitând erorile comune de modelare care duc la pierderi de capital.

Despre autor

Dr. Michael Isichenko este un renumit expert în finanțe cantitative, având o carieră impresionantă începută în domeniul fizicii teoretice. Tranziția sa către lumea de pe Wall Street i-a permis să aplice rigoarea matematică în dezvoltarea strategiilor de tranzacționare sistematică. Cu o experiență vastă ca manager de portofoliu și cercetător quant, Isichenko este recunoscut pentru capacitatea de a sintetiza metode statistice complexe în strategii de piață viabile. Expertiza sa acoperă atât gestiunea riscului, cât și optimizarea algoritmilor de execuție în piețe de capital de înaltă frecvență.

Descriere

In Quantitative Portfolio Management: The Art and Science of Statistical Arbitrage, distinguished physicist-turned-quant Dr. Michael Isichenko delivers a systematic review of the quantitative trading of equities, or statistical arbitrage. The book teaches you how to source financial data, learn patterns of asset returns from historical data, generate and combine multiple forecasts, manage risk, build a stock portfolio optimized for risk and trading costs, and execute trades. 

In this important book, you’ll discover: 

  • Machine learning methods of forecasting stock returns in efficient financial markets 
  • How to combine multiple forecasts into a single model by using secondary machine learning, dimensionality reduction, and other methods
  • Ways of avoiding the pitfalls of overfitting and the curse of dimensionality, including topics of active research such as “benign overfitting” in machine learning 
  • The theoretical and practical aspects of portfolio construction, including multi-factor risk models, multi-period trading costs, and optimal leverage 

Perfect for investment professionals, like quantitative traders and portfolio managers, Quantitative Portfolio Management will also earn a place in the libraries of data scientists and students in a variety of statistical and quantitative disciplines. It is an indispensable guide for anyone who hopes to improve their understanding of how to apply data science, machine learning, and optimization to the stock market. 

Notă biografică

MICHAEL ISICHENKO, PhD, is a theoretical physicist and a quantitative portfolio manager who worked at Kurchatov Institute, University of Texas, University of California, SAC Capital Advisors, Société Générale, and Jefferies. He received his doctorate in physics and mathematics from the Moscow Institute of Physics and Technology and is an expert in plasma physics, nonlinear dynamics, and statistical and chaos theory.

Cuprins

Preface 1 Introduction 3 1 Market Data 9 1.1 Tick and bar data 9 1.2 Corporate actions and adjustment factor 10 1.3 Linear vs log returns 11 2 Forecasting 13 2.1 Data for forecasts 14 2.1.1 Point-in-time and lookahead 15 2.1.2 Security master and survival bias 16 2.1.3 Fundamental and accounting data 16 2.1.4 Analyst estimates 17 2.1.5 Supply chain and competition 18 2.1.6 M&A and risk arbitrage 18 2.1.7 Event-based predictors 18 2.1.8 Holdings and flows 19 2.1.9 News and social media 20 2.1.10 Macroeconomic data 21 2.1.11 Alternative data 21 2.1.12 Alpha capture 21 2.2 Technical forecasts 22 2.2.1 Mean reversion 22 2.2.2 Momentum 24 2.2.3 Trading volume 24 2.2.4 Statistical predictors 25 2.2.5 Data from other asset classes 25 2.3 Basic concepts of statistical learning 27 2.3.1 Mutual information and Shannon entropy 28 2.3.2 Likelihood and Bayesian inference 32 2.3.3 Mean square error and correlation 33 2.3.4 Bias-variance tradeoff 35 2.3.5 PAC learnability, VC dimension, and generalization error bounds 36 2.4 Machine learning 40 2.4.1 Types of machine learning 41 2.4.2 Overfitting 43 2.4.3 Ordinary and generalized least squares 44 2.4.4 Deep learning 46 2.4.5 Types of neural networks 48 2.4.6 Nonparametric methods 51 2.4.7 Cross-validation 54 2.4.8 Curse of dimensionality, eigenvalue cleaning, and shrinkage 56 2.4.9 Smoothing and regularization 61 2.4.9.1 Smoothing spline 62 2.4.9.2 Total variation denoising 62 2.4.9.3 Nadaraya-Watson kernel smoother 63 2.4.9.4 Local linear regression 64 2.4.9.5 Gaussian process 64 2.4.9.6 Ridge and kernel ridge regression 67 2.4.9.7 Bandwidth and hypertuning of kernel smoothers 68 2.4.9.8 Lasso regression 69 2.4.10 Generalization puzzle of deep and overparameterized learning 69 2.4.11 Online machine learning 74 2.4.12 Boosting 75 2.4.13 Randomized learning 79 2.4.14 Latent structure 80 2.4.15 No free lunch and AutoML 81 2.4.16 Computer power and machine learning 83 2.5 Dynamical modeling 87 2.6 Alternative reality 89 2.7 Timeliness-significance tradeoff 90 2.8 Grouping 91 2.9 Conditioning 92 2.10 Pairwise predictors 92 2.11 Forecast for securities from their linear combinations 93 2.12 Forecast research vs simulation 95 3 Forecast Combining 97 3.1 Correlation and diversification 98 3.2 Portfolio combining 99 3.3 Mean-variance combination of forecasts 102 3.4 Combining features vs combining forecasts 103 3.5 Dimensionality reduction 104 3.5.1 PCA, PCR, CCA, ICA, LCA, and PLS 105 3.5.2 Clustering 107 3.5.3 Hierarchical combining 108 3.6 Synthetic security view 108 3.7 Collaborative filtering 109 3.8 Alpha pool management 110 3.8.1 Forecast development guidelines 111 3.8.1.1 Point-in-time data 111 3.8.1.2 Horizon and scaling 111 3.8.1.3 Type of target return 112 3.8.1.4 Performance metrics 112 3.8.1.5 Measure of forecast uncertainty 112 3.8.1.6 Correlation with existing forecasts 112 3.8.1.7 Raw feature library 113 3.8.1.8 Overfit handling 113 3.8.2 Pnl attribution 114 3.8.2.1 Marginal attribution 114 3.8.2.2 Regression-based attribution 114 4 Risk 117 4.1 Value at risk and expected shortfall 117 4.2 Factor models 119 4.3 Types of risk factors 120 4.4 Return and risk decomposition 121 4.5 Weighted PCA 122 4.6 PCA transformation 123 4.7 Crowding and liquidation 124 4.8 Liquidity risk and short squeeze 126 4.9 Forecast uncertainty and alpha risk 127 5 Trading Costs 129 5.1 Slippage 130 5.2 Impact 130 5.2.1 Empirical observations 132 5.2.2 Linear impact model 133 5.2.3 Impact arbitrage 135 5.3 Cost of carry 135 6 Portfolio Construction 137 6.1 Hedged allocation 137 6.2 Single-period vs multi-period mean-variance utility 139 6.3 Single-name multi-period optimization 140 6.3.1 Optimization with fast impact decay 141 6.3.2 Optimization with exponentially decaying impact 142 6.3.3 Optimization conditional on a future position 143 6.3.4 Position value and utility leak 145 6.3.5 Optimization with slippage 146 6.4 Multi-period portfolio optimization 148 6.4.1 Unconstrained portfolio optimization with linear impact costs 149 6.4.2 Iterative handling of factor risk 150 6.4.3 Optimizing future EMA positions 151 6.4.4 Portfolio optimization using utility leak rate 151 6.4.5 Notes on portfolio optimization with slippage 152 6.5 Portfolio capacity 152 6.6 Portfolio optimization with forecast revision 153 6.7 Portfolio optimization with forecast uncertainty 156 6.8 Kelly criterion and optimal leverage 157 6.9 Intraday optimization and execution 160 6.9.1 Trade curve 160 6.9.2 Forecast-timed execution 161 6.9.3 Algorithmic trading and HFT 162 6.9.4 HFT controversy 166 7 Simulation 169 7.1 Simulation vs production 170 7.2 Simulation and overfitting 171 7.3 Research and simulation efficiency 172 7.4 Paper trading 173 7.5 Bugs 173 Afterword: Economic and Social Aspects of Quant Trading 179 Appendix 183 A1 Secmaster mappings 183 A2 Woodbury matrix identities 184 A3 Toeplitz matrix 185 Index 187 Questions index 195 Quotes index 197 Stories index 199

Descriere scurtă

Discover foundational and advanced techniques in quantitative equity trading from a veteran insider In Quantitative Portfolio Management: The Art and Science of Statistical Arbitrage, distinguished physicist-turned-quant Dr. Michael Isichenko delivers a systematic review of the quantitative trading of equities, or statistical arbitrage. The book teaches you how to source financial data, learn patterns of asset returns from historical data, generate and combine multiple forecasts, manage risk, build a stock portfolio optimized for risk and trading costs, and execute trades. In this important book, you'll discover: * Machine learning methods of forecasting stock returns in efficient financial markets * How to combine multiple forecasts into a single model by using secondary machine learning, dimensionality reduction, and other methods * Ways of avoiding the pitfalls of overfitting and the curse of dimensionality, including topics of active research such as "benign overfitting" in machine learning * The theoretical and practical aspects of portfolio construction, including multi-factor risk models, multi-period trading costs, and optimal leverage Perfect for investment professionals, like quantitative traders and portfolio managers, Quantitative Portfolio Management will also earn a place in the libraries of data scientists and students in a variety of statistical and quantitative disciplines. It is an indispensable guide for anyone who hopes to improve their understanding of how to apply data science, machine learning, and optimization to the stock market.