Posts

how good traders use leverage

L’utilisation profitable de l’effet de levier – Partie I

Les bons traders savent que l’utilisation d’un effet de levier compris entre 5: 1 et 10: 1 suffit pour obtenir des rendements de 20% à 60% par an, à 10% de VaR.

Contexte de l’étude

Dans un récent épisode de podcast en espagnol, le PDG de Darwinex, Juan Colón, mettait en lumière les comportements des fournisseurs de DARWINs (traders) sur Darwinex.

Les informations partagées ont été obtenues suite à l’analyse de plus de 3 000 DARWINs au cours des trois derniers mois.

Les objectifs de la recherche consistaient à déterminer quel levier les traders à succès emploient; le succès étant quantifié par l’obtention d’un D-Sscore > 65.

Note: Avec les dernières modifications apportées au calcul du D-Score, ce seuil passera à 68 dans les analyses futures.

Pourquoi 65?

  • C’est un seuil difficile à atteindre pour n’importe quel DARWIN,
  • D’où, l’indication d’une plus grande probabilité de réussite

Du point de vue du trader, l’objectif est de répondre à la question:

“Quel effet de levier est nécessaire pour obtenir de bons rendements, en contrepartie d’un risque raisonnable?”


Les résultats

How good traders use leverage

Voici la distribution de l’effet de levier sur l’échantillon de DARWINs avec un D-Score > 65:

  1. Moyen: 5:1
  2. Median: 3:1
  3. Maximum: 25:1

Avec ces paramètres, ces traders ont réalisé des rendements allant de -15% à plus de 70% par an.


Cela motive alors une autre question:

Pourquoi observe t-on une telle dispersion dans l’effet de levier?

Le style de trading (méthodologie) du fournisseur de DARWIN et son appétit pour le risque peuvent expliquer la dispersion observée dans ces résultats.

Différentes stratégies de trading utilisent différents niveaux de levier en fonction de leur mode de fonctionnement.

Pour simplifier, considérons simplement deux principales catégories:

  1. Exposition continue au marché,
  2. Scalping (entrées/sorties rapides, 1 à 3 heures sur le marché en moyenne)

Exposition continue au marché

Le DARWIN $LVS est un exemple de stratégie très performante qui maintient une exposition au marché à tout moment.

L’analyse des données révèle que David et Enrico (fournisseurs du DARWIN $LVS) maintiennent:

  • Un D-Levier compris approx. entre 2: 1 et 3: 1
  • Une VaR sur la stratégie sous-jacente entre 5 et 10%

How good traders use leverage


Scalping

Ces stratégies entrent et sortent généralement du marché rapidement.

Elles ont une durée moyenne de transaction comprise entre 1 et 3 heures et restent liquides (hors marché) le reste du temps.

Les DARWINs $NTI et $ERQ sont des exemples types, de stratégies de scalping qui démontrent ces comportements, négociant respectivement dans un couloir de D-Levier compris entre 5:1 et 8: 1, et 7: 11 pour le dernier.

(Note: La distribution du D-Levier du DARWIN peut être consultée sur sa page principale, sous “RENDEMENT / RISQUE”)

How good traders use leverage


Corollaire

Il est inutile de déployer un levier supérieur à une fourchette comprise entre 5:1 et 10: 1 pour obtenir des rendements de 20% à 60% par an, à 10% de VaR.


Dans la Partie II

1) Si l’analyse ci-dessus révèle que les traders qui réussissent sont capables d’obtenir des rendements décents avec moins d’effet de levier, alors pourquoi la majorité des traders font-ils encore le contraire?

2) À partir de quel niveau VaR (%) la faillite d’une stratégie de trading est-elle imminente? (et pourquoi).

Nous y décrirons comment nous arrivons cette VaR, créerons une stratégie de trading pour démontrer l’impact des différents niveaux de VaR, illustrés via des simulations de Monte Carlo à cet effet (avec un exemple de code dans Python / R).

Hidden Markov Models & Regime Change: S&P500

In this post, we will employ a statistical time series approach using Hidden Markov Models (HMM), to firstly obtain visual evidence of regime change in the S&P500.

Detecting significant, unforeseen changes in underlying market conditions (termed “market regimes“) is one of the greatest challenges faced by algorithmic traders today. It is therefore critical that traders account for shifts in these market regimes during trading strategy development.

Why use Hidden Markov Models?

Hidden Markov Models for Detecting Market Regime Change (Source: Wikipedia)

Hidden Markov Models for Detecting Market Regime Change (Source: Wikipedia)

 

Hidden Markov Models infer “hidden states” in data by using observations (in our case, returns) correlated to these states (in our case, bullish, bearish, or unknown).

They are hence a suitable technique for detecting regime change, enabling algorithmic traders to optimize entries/exits and risk management accordingly.

We will make use of the depmixS4 package in R to analyse regime change in the S&P500 Index.

 

Hidden Markov Model - State Space Model (Source: StackExchange)

Hidden Markov Model – State Space Model (Source: StackExchange)

With any state-space modelling effort in quantitative finance, there are usually three main types of problems to address:

  1. Prediction – forecasting future states of the market
  2. Filtering – estimating the present state of the market
  3. Smoothing – estimating the past states of the market

We will be using the Filtering approach.

Additionally, we will assume that since S&P500 returns are continuous, the probability of seeing a particular return R in time t, with market regime M being in state m, where the model used has parameter-set P, is described by a multivariate normal distribution with mean μ and standard deviation σ [1].

Mathematically, this can be expressed as:

\(p(R_t | M_t = m, P) = N(R_t | μ_m, σ_m)\)

As noted earlier, we will utilize the Dependent Mixture Models package in R (depmixS4) for the purposes of:

  1. Fitting a Hidden Markov Model to S&P500 returns data.
  2. Determining posterior probabilities of being in one of three market states (bullish, bearish or unknown), at any given time.

We will then use the plotly R graphing library to plot both the S&P500 returns, and the market states the index was estimated to have been in over time.

You may replicate the following R source code to conduct this analysis on the S&P500.

Step 1: Load required R libraries

library(quantmod)
library(plotly)
library(depmixS4)

Step 2: Get S&P500 data from June 2014 to March 2017

getSymbols("^GSPC", from="2014-06-01", to="2017-03-31")

Step 3: Calculate differenced logarithmic returns using S&P500 EOD Close prices.

sp500_temp = diff(log(Cl(GSPC)))
sp500_returns = as.numeric(sp500_temp)

Step 4: Plot returns from (3) above on plot_ly scatter plot.

plot_ly(x = index(GSPC), y = sp500_returns, type="scatter", mode="lines") %>%

layout(xaxis = list(title="Date/Time (June 2014 to March 2017)"), yaxis = list(title="S&P500 Differenced Logarithmic Returns"))

S&P500 Differenced Logarithmic Returns
(June 2014 to March 2017)

S&P500 Differenced Logarithmic Returns (June 2014 to March 2017)

S&P500 Differenced Logarithmic Returns (June 2014 to March 2017)

Step 5: Fit Hidden Markov Model to S&P500 returns, with three “states”

hidden_markov_model <- depmix(sp500_returns ~ 1, family = gaussian(), nstates = 3, data = data.frame(sp500_returns=sp500_returns))

model_fit <- fit(hidden_markov_model)

Step 6: Calculate posterior probabilities for each of the market states

posterior_probabilities <- posterior(model_fit)

Step 7: Overlay calculated probabilities on S&P500 cumulative returns

sp500_gret = 1 + sp500_returns
sp500_gret <- sp500_gret[-1]
sp500_cret = cumprod(sp500_gret)

plot_ly(name="Unknown", x = index(GSPC), y = posterior_probabilities$S1, type="scatter", mode="lines", line=list(color="grey")) %>%

add_trace(name="Bullish", y = posterior_probabilities$S2, line=list(color="blue")) %>%

add_trace(name="Bearish", y = posterior_probabilities$S3, line=list(color="red")) %>%

add_trace(name="S&P500", y = c(rep(NA,1), sp500_cret-1), line=list(color="black"))

S&P500 Market Regime Probabilities
(June 2014 to March 2017)

S&P500 Hidden Markov Model States (June 2014 to March 2017)

S&P500 Hidden Markov Model States (June 2014 to March 2017)

Interpretation: In any one “market regime”, the corresponding line/curve will “cluster” towards the top of the y-axis (i.e. near a probability of 100%).

For example, during a brief bullish run starting on 01 June 2014, the blue line/curve clustered near y-axis value 1.0. This correlates as you can see, with movement in the S&P500 (black line/curve). The same applies to bearish and “unknown” market states.

An interesting insight one can draw from this graphic, is how the Hidden Markov Model successfully reveals high volatility in the market between June 2014 and March 2015 (constantly changing states between bullish, bearish and unknown).

 

References:

[1] Murphy, K.P. (2012) Machine Learning – A Probabilistic Perspective, MIT Press.
https://www.cs.ubc.ca/~murphyk/MLbook/

Influences:

The honourable Mr. Michael Halls-Moore. QuantStart.com
http://www.quantstart.com/

Additional Resource: Learn more about DARWIN Portfolio Risk (VIDEO)
* please activate CC mode to view subtitles.

Do you have what it takes? – Join the Darwinex Trader Movement!

Darwinex - The Open Trader Exchange

Darwinex – The Open Trader Exchange