퀀트 트레이딩 전략

+

퀀트 전략 - 그들은 당신을 위해 정량적 투자 전략은 현대 컴퓨터의 출현과 함께 매우 복잡한 도구로 진화하고 있지만 전략의 뿌리는 다시 칠십년을 통해 이동합니다. 그들은 일반적으로 고등 교육 팀에 의해 실행하고 시장을 이길 수있는 능력을 높이기 위해 독자적인 모델을 사용하고 있습니다. 단순함을 추구하는 사람들을위한 플러그 앤 플레이에도 상용 프로그램이 있습니다. 다시 테스트 할 때 퀀트 모델은 항상 잘 작동하지만, 실제 응용 프로그램과 성공률은 논쟁의 여지가있다. 그들은 황소 시장에서 잘 작동하는 것 동안. 시장이 훙 분하다 때, 퀀트 전략이 다른 전략과 같은 위험을 실시한다. 양적 이론의 연구의 건국의 아버지 중 하나는 재정 적용되는 역사 로버트 머튼이었다. 당신은 시간이 많이 소요되는 프로세스가 컴퓨터를 사용하기 전에 얼마나 어렵고 상상할 수있다. 금융의 다른 이론은 현대 포트폴리오 이론을 바탕으로 포트폴리오 다각화의 기초를 포함하여, 첫 번째 양적 연구의 일부에서 진화. 양적 금융 및 수학 모두의 사용은 가장 유명한 중 하나뿐만 아니라 투자자 가격 옵션을하는 데 도움이 전략을 개발하지만, 유동성 점검 시장을 유지하는 데 도움이 블랙 숄즈 옵션 가격 결정 공식을 포함하여 많은 다른 일반적인 도구로 이끌어 냈다. 포트폴리오 관리에 직접 적용합니다. 목표는 다른 투자 전략 같다. 값, 알파 또는 초과 수익을 추가 할 수 있습니다. Quants는, 개발자가 호출 될 때, 투자 기회를 감지하는 복잡한 수학적 모델을 구성한다. 이 많은 모델을 개발 quants으로 거기, 그리고 모든 최선을 주장. 퀀트 투자 전략의 베스트셀러 점 중 하나는 모델, 궁극적 컴퓨터가 실제 구매 / 판매 결정이 아닌 인간을 만드는 것입니다. 이 투자를 구입하거나 판매 할 때 사람이 경험할 수있는 감정적 반응을 제거하는 경향이있다. 퀀트 전략은 이제 투자 지역 사회에서 받아 들여지고 뮤추얼 펀드, 헤지 펀드 및 기관 투자자에 의해 실행됩니다. 그들은 일반적으로 이름 알파 생성기로 간다. 또는 알파 씨족. 커튼 그냥 오즈의 마법사처럼 뒤에, 누군가가 프로세스를 구동 커튼 뒤에 있습니다. 어떤 모델과 같이, 프로그램 개발 인간만큼만 좋은이야. 퀀트가되기위한 특별한 요구 사항이 없지만, 퀀트 모델을 실행하는 대부분의 기업은 투자 분석가, 통계 및 컴퓨터에 프로세스를 코딩 프로그래머의 기술을 결합한다. 때문에 수학 및 통계 모델의 복잡한 특성으로는 금융, 경제, 수학, 공학 석사 학위와 박사 학위 등 자격 증명을 참조하는 것이 일반적이야. 역사적으로, 이 팀 구성원은 다시 사무실에서 일했다. 퀀트 모델이 더 일반화되면서하지만, 백 오피스 전면 사무실로 이동합니다. 퀀트 전략의 장점 성공율은 논쟁의 여지가 있지만, 약간 정량적 전략 일 이유는 훈련에 기초한다는 것이다. 모델이 옳다면, 징계는 정량적 데이터를 기반으로 시장의 비 효율성을 악용 번개 속도의 컴퓨터를 사용 전략을 유지합니다. 모델은 자체가 P / E 등 몇 비율만큼 작은에 기초 할 수있다. 자본 및 이익 성장, 또는 부채가 동시에 함께 일하는 입력의 수천을 사용합니다. 컴퓨터가 지속적으로 다른 사람이하기 전에 비 효율성을 찾아 시나리오를 실행으로 성공적인 전략은 초기 단계의 동향에 선택할 수 있습니다. 모델은 기존의 분석은 시간에 몇보고 될 수 동시에 투자의 매우 큰 그룹을 분석 할 수있다. 심사 과정은 1-5 같은 학년으로 우주 또는 모델에 따라 A-F를 평가할 수 있습니다. 이는 높은 평가를 투자에 투자하고 낮은 평가 것들을 판매하여 매우 간단 실제 거래 과정을 수 있습니다. 퀀트 모델은 짧은 / 긴 짧고 긴 같은 전략의 변화를 엽니 다. 성공적인 퀀트 펀드는 그들의 모델의 특성으로 위험 관리에 날카로운 눈을 유지합니다. 대부분의 전략은 모델에 유니버스 또는 벤치 마크 및 사용 분야 및 업계의 가중치로 시작합니다. 이 금액은 모델 자체를 손상시키지 않으면 서 어느 정도의 다양성을 제어 할 수있다. 그들은 t 그들을 실행하는 기존의 애널리스트와 포트폴리오 매니저 많은 필요 돈 때문에 퀀트 펀드는 일반적으로 낮은 비용으로 실행. 퀀트 전략의 단점은 많은 투자자들이 완전히 블랙 박스가 투자를 실행시키는의 개념을 수용하지 않는 이유가있다. 거기에 모든 성공 퀀트 펀드, 그냥 많은 사람들이 실패 할 것으로 보인다. 그들이 실패 할 때 불행하게도 quants 명성을 위해, 그들은 큰 시간을 실패합니다. 그것이 가장 존경받는 교육 지도자들과 두 개의 노벨상 기념 상을 수상한 경제학자 마이런 S. 스콜스와 로버트 C. 머튼의 일부에 의해 실행 된 장기 자본 관리, 가장 유명한 퀀트 헤지 펀드 중 하나였다. 1990 년대, 그들의 팀은 평균 이상의 수익률을 생성 투자자의 모든 유형에서 자본을 끌었다. 그들은 단지 비 효율성을 활용하지만, 시장의 방향에 엄청난 레버리지 내기를 만들 수도에 쉽게 액세스를 사용하지로 유명했다. 그들의 전략의 훈련 특성은 실제로 붕괴되었다 약점을 만들었습니다. 장기 자본 관리는 청산과 러시아 정부가 자신의 채무 중 일부에 기본 수 있다는 가능성을 포함하지 않았다 2000 년 초 자사의 모델에 용해시켰다. 이 하나의 이벤트는 이벤트 및 활용 만든 혼란으로 확대 연쇄 반응을 촉발. LTCM은 너무 심하게 붕괴 극적인 이벤트를 트리거, 세계 시장에 영향을 것을 다른 투자 작업에 참여했다. 장기적으로, 연방 준비 제도 이사회 도와 개입, 그리고 다른 은행과 투자 자금은 더 이상의 손상을 방지하기 위해 LTCM를 지원했다. 이것은 그들이 미래의 사건을 포함하지 않을 수 있습니다 역사적 사건을 기반으로 같은 양의 자금이 실패 할 수있는 이유 중 하나입니다. 강한 퀀트 팀 끊임없이 미래의 사건을 예측 모델에 새로운 요소를 추가 할 것이지만, 그것은 미래 매번 예측 불가능하다. 경제와 시장이보다 큰 평균 변동성가 발생하는 경우 퀀트 펀드는 또한 압도 될 수 있습니다. 구매 및 판매 신호는 높은 회전율이 높은 수수료 및 과세 이벤트를 만들 수 있도록 빨리 올 수 있습니다. 그들은 곰 증거로 판매하거나 짧은 전략을 기반으로 할 때 퀀트 펀드는 위험을 초래할 수 있습니다. 침체를 예측. 파생 상품을 사용 및 활용을 결합하는 것은 위험 할 수 있습니다. 하나 틀린 순서는 종종 소식을 내파로 이어질 수 있습니다. 결론 양적 투자 전략은 주류 투자 도구에 다시 사무실 블랙 박스에서 진화했다. 그들은 모두 비 효율성을 활용하여 비즈니스에서 최고의 마음과 가장 빠른 컴퓨터를 활용하고 시장 내기를 만들기 위해 레버리지를 사용하도록 설계되어 있습니다. 모델이 모든 권리 입력을 포함하고 비정상적인 시장 이벤트를 예측할 수있을만큼 민첩 경우 그들은 매우 성공적이 될 수 있습니다. 그들이 작동 할 때까지 퀀트 펀드는 엄격하게 다시 테스트하는 동안 플립 측면에서, 자신의 약점은 그들의 성공에 대한 과거 데이터에 의존하고 있다는 점이다. 퀀트 스타일의 투자가 시장에서 자리를 가지고 있지만, 그것의 단점과 위험을 알고 있어야 중요하다. 다각화 전략과 일치합니다. 그것은 투자 스타일로 퀀트 전략을 치료하고 적절한 다변화를 달성하기 위해 기존의 전략과 결합하는 것은 좋은 생각이야. 내가 어떻게 거래 전략에 이전의 시계열 분석 글에서 얻은 지식을 모두 적용하는 방법을 보여주고 싶은이 기사에서는 10 월 7 일, 2015 년 마이클 홀 - 무어에 의해 R을 사용하여 S P500 주식 시장 지수에 ARIMA GARCH 무역 전략 의 S P500 미국 주식 시장 지수에. 우리는 우리가 상당히 긴 기간에 걸쳐 판매 및 보호 방식을 능가 할 수있는 ARIMA와 GARCH 모델을 결합하여 그 표시됩니다. 전략 개요 전략의 개념은 비교적 간단하지만 당신이 그것을 실험하고 싶다면 내가보기 엔 당신은 롤링 기준으로 수행 전략을 수정하는 것을 이해하기 위해 시계열 분석에 이전 게시물을 읽고 제안 : 각각에 대해 날, N, 주식 시장 지수의 구별 지워진 로그 수익률의 이전 케이 일 최적의 ARIMA와 GARCH 모델을 피팅을위한 창으로 사용된다. 결합 모델은 다음 날 반환에 대한 예측을 만드는 데 사용됩니다. 예측이 음수 인 경우는 정의 경우는 동경 동안 재고 이전 단락에서 확대된다. 예측 전날과 같은 방향 인 경우, 아무것도 변화하지 않는다. 이 전략으로 나는 S P500 야후 금융에서 가능한 최대 데이터를 사용했다. I는 K (500)를 촬영 한하지만 성능을 향상 또는 자본을 감소시키기 위해 최적화 될 수있는 파라미터이다. backtest은 아직 현재의 파이썬 이벤트 구동 backtester 구현되지 R. 를 이용한 벡터화 간단한 방식으로 수행된다. 따라서 실제 거래 시스템에서 달성 성능은 가능성이 당신이 때문에 수수료 및 미끄러짐에, 여기에 달성하는 것보다 약간 덜 될 것입니다. 전략 구현 우리가 이전에 rugarch을 포함하여 시계열 분석 기사 시리즈뿐만 아니라 몇 가지 새로운 라이브러리에서 생성 한 코드의 일부를 사용하고자하는 전략을 구현합니다. 이는 QuantStrat 상인에 걸쳐 리아 Kipnis 나에게 제안되었다. I는 단계별 방식으로 구를 통과 한 후 단부 전체 구현뿐만 아니라, ARIMA GARCH 인디케이터 내 데이터 집합에 대한 링크를 제공한다. 그것은 당신이 코드 자체가 너무 복잡하지로 전체 내 결과를 복제 할 수 있어야한다 신호를 생성하는 내 dekstop PC에서 나에게 며칠을 가지고 있기 때문에이 경우 시뮬레이션하는 데 시간이 걸릴 않지만 나는 후자에 포함했습니다 당신은 전액을 실시한다. 첫 번째 작업은 설치 및 R에 필요한 라이브러리를 가져 오는 것입니다 : 당신은 이미 당신은 단순히 가져올 수 있습니다 설치 라이브러리가있는 경우 : 그 완료로를 S P500에 전략을 적용 할 것입니다. 우리는 인덱스 다시 1950가는 데이터를 얻기 위해 quantmod 사용할 수 있습니다. 야후 금융 심볼 GPSC을 사용합니다. 우리는 그 다음 S P500의 종가의 구별 지워진 로그 수익률을 작성하고 초기 NA 값을 제거 할 수 있습니다 : 우리는 특정 날짜에 우리의 예측 값을 저장하는 예측 벡터를 작성해야합니다. 이 단계에서 우리가 거​​래 데이터의 모든 일을 통해 루프를 필요의 롤 창에 적절한 ARIMA와 GARCH 모델에 맞게 : 우리는 거래 우리가 가지고있는 데이터 마이너스 (k)의 길이와 동일하게, 창 길이가 길이 foreLength 설정 길이 K. 우리는 24 별도의 ARIMA의 적합을 시도하고 GARCH 모델에 맞게 점을 감안, 매일, 표시등이 생성하는 데 시간이 오래 걸릴 수 있습니다. 우리는 거래 데이터의 길이에 K에서 반복 변수 및 루프로 인덱스 D를 사용 : 우리는 그 다음 S P500의 수익률을 복용하고 1 d를 KD 사이의 값을 선택하여 롤 창을 만들 경우이 전략에 대한 K 500 : 우리는 페이지를 제외하고, q를 0에서의 p와 q 모든 ARMA 모델을 통해 검색 할 ARIMA 기사에서와 동일한 절차를 사용합니다. 우리는 우리가 t는 p와 q의 특정 값에 대한 적합을 얻을 돈 경우, 우리는 그것을 무시하고 p와 q의 다음 조합에 이동하는지 확인하기 위해 R tryCatch 예외 처리 블록에서 arimaFit 호출을 래핑합니다. 우리는 D 0의 통합 값을 설정 (이것은 우리의 색인 매개 변수에 다른 라이다)와 같은 우리가 정말 ARMA 모델을 피팅되어 있습니다. 오히려 ARIMA보다. , 우리는 rugarch 라이브러리를 사용하고자하는 다음 코드 블록에서 : 루핑 절차는 우리가 다음 우리의 GARCH 모델에 공급하는 데 사용할 수있는 아카 이케 정보 기준의 측면에서 최고의 피팅 ARMA 모델을 우리에게 제공 할 것입니다 GARCH (1,1) 모델입니다. 이 구문은 분산과 평균을위한 모델을 취하는 ugarchspec 사양 개체를 설정하는 우리를 필요로한다. 평균은 p와 q 위 선택된다 ARMA (P, Q) 모델을 취하면서 분산은 GARCH (1,1) 모형을받습니다. 우리는 또한 오류에 대한 sged 분포를 선택합니다. 우리는 사양을 선택하면 우리는 사양 개체의 S P500의 K 반환 및 수치 최적화 솔버 걸리는 ugarchfit 명령을 사용하여 ARMA GARCH의 실제 피팅을 실시하고 있습니다. 우리는 하이브리드를 사용하도록 선택했습니다. 이는 통합의 가능성을 증가시키기 위해 다양한 해법을 시도합니다 GARCH 모형 우리 단순히 명확 추측 장기 예측을 생성하는 일 세트에 수렴하지 않는 경우. 그러나, 모델은 다음 수렴 않을 경우 우리 출력 날짜 및 미래의 예측 방향 (1 또는 -1) 루프가 폐쇄되고 지적하는 문자열로. 나는 다음 일에 대한 예측 방향과 쉼표로 구분 된 데이터를 포함하는 문자열을 생성 한 CSV 파일의 출력을 준비하기 위해 다음 끝에서 두 번째 단계는 CSV 디스크에 파일을 출력하는 것입니다. 그것은 지금 약자로하지만, CSV 파일로 작은 문제가있다 :이 지표를 가지고 원하는 경우, 추가 분석을 위해 대안 백 테스팅 소프트웨어를 사용할 수있게 해준다. 이 파일은 날짜의 목록과 미래의 방향에 대한 예측이 포함되어 있습니다. 우리가 약자로 아래 backtest 코드로이로드한다면, 우리는 실제로 예측 값이 예측시 알 수없는 데이터를 나타 내기 때문에 봐 미리 바이어스를 도입 할 것이다. 이를 설명하기 위해 우리는 단순히 앞서 예측 된 값 일일 이동해야합니다. 파이썬을 사용하여 더 간단이를 발견했다. 나는 t 당신이 (예 : 팬더와 같은) 특별한 라이브러리를 설치 한 적이 있다고 가정 할 돈 때문에, 나는 순수 파이썬으로 유지했습니다. 다음은이 절차를 수행하는 짧은 스크립트입니다. forecasts. csv 파일과 같은 디렉토리에서 실행해야합니다 :이 시점에서 우리는 지금 수정 표시 파일 예보 new. csv에 저장했다. 전략의 결과 이​​제 우리는 우리가 보류를 구매하는 성능을 비교해야 우리의 표시 CSV 파일을 생성 한 것을 :이 계산하기 위해 상당한 시간이 필요하기 때문에 사용자가 직접 다운로드 할, 내가 여기에 전체 파일을 제공했습니다. 우리는 먼저 CSV 파일에서 표시 읽고 spArimaGarch로 저장 : 우리는 그 다음 ARIMA GARCH 예측 및 S P500의 수익률의 원래 세트에 대한 날짜의 교차로를 만들 수 있습니다. 우리는 그 다음 예측 기호 곱하여 ARIMA GARCH 전략의 수익률을 계산할 수있다 (또는 -) 반환 자체 : 우리는 우리가 ARIMA GARCH 모델과 구입 보류 모두 자본 곡선을 만들 수 있습니다 ARIMA GARCH 전략에서 수익을 일단. 마지막으로, 우리는 하나의 데이터 구조로 결합 : 마지막으로, 우리는 같은 줄거리에 모두 자본 곡선을 그릴하는 xyplot 명령을 사용할 수 있습니다 : 당신이 볼 수 있듯이, 65 년 이상 : 2015년 10월 6일에 대한 지분 곡선 위로는 다음과 같다 기간은 ARIMA GARCH 전략은 크게 판매 보류를 상회하고있다. 그러나, 당신은 또한 이득의 대부분이 1970 년과 크게 변동성 증가를 지적하는 80 년대 초반, 평균 수익률이 덜 인상적까지 곡선의 변동성이 매우 최소한의 것을 1980 고지 사이에 발생한 것을 볼 수 있습니다. 분명히 주식 곡선은 전체 기간 동안 뛰어난 성능을 약속드립니다. 그러나이 전략은 정말 우선 거래 가능한이었을 것, 의 그것은 상자 젠킨스는 자신의 책에서 그것을 논의 할 때 t 정말 널리 1970의 때까지 사용 년후 ARMA 모델은 1951 년에 출판되었다​​는 사실을 생각해 보자. 둘째, ARCH 모델을 얻지 못한 t 엥글로 80 년대 초반까지 (공개) 발견 및 GARCH 자체가 물리적으로 거래 가능한 악기를 세 번째로 1986 년에 Bollerslev로 출판 되었음이 backtest 실제로 주식 시장 지수에 수행 된하지. 인덱스에 액세스하기 위해 이와 같은 그러한 SPDR로 S P500 선물 또는 복제 상장 지수 펀드 (ETF)를 거래 할 필요가 있었을 것이다. 따라서 정말 적절한 대안이 최근 데이터에 모델을 적용하기 시작하는 것입니다 전에 자신의 발명에 역사적인 시리즈와 같은 모델을 적용하는 것입니다. 사실, 우리는 월 1 일 2005 년 오늘, 지난 10 년의 성과를 고려할 수 있습니다 : 당신이 주식 곡선이 거의 삼년에 대한 구매 보류 전략 미만으로 유지 볼 수 있듯이, 하지만 2008/2009 그것의 주식 시장 충돌시 상당히 잘한다. 이 기간에 상당한 직렬 상관 될 가능성이 있으며이 ARIMA와 GARCH 모형으로 잘 캡처 때문 이해된다. 시장은 이후 2009 년 회복과 더 확률 적 경향을 보이는 것을 입력하면 모델 성능을 다시 한 번 고통을 시작합니다. 이 전략을 용이하게 다른 주식 시장 지수, 주식 또는 다른 자산 군에 적용 할 수있다. 난 강력하게 당신이 여기에 제시된 결과에 상당한 개선을 얻을 수있다대로, 다른 악기를 연구하려고하는 것이 좋습니다. 다음 단계 이제 우리는 모델의 ARIMA와 GARCH 가족을 논의 완료했습니다 것을, 나는 긴 메모리 프로세스, 상태 공간 모델과 공적분 시계열을 고려하여 시계열 분석 논의를 계속합니다. 시계열의이 이후의 영역은 크게 우리의 무역 수익성을 높일 및 / 또는 위험을 줄일 수있는 내가 여기에 제시했습니다 사람들, 넘어 우리의 예측을 향상시킬 수있는 모델로 우리를 소개합니다. 다시 가져 오기 전에 forecasts. csv에 적용하고 파이썬 코드 : 여기에 전체 코드가 표시 세대, 백 테스팅 및 플로팅에 대한 전체 목록 마이클 홀 - 무어 마이크 QuantStart의 설립자이며, 대한 양적 금융 산업에 참여하고있다 지난 5 년 동안, 주로 양의 개발자로 이후 헤지 펀드에 대한 퀀트 상인 컨설팅 등. 관련 기사 당신의 전략을 분석하고 거래 결과는 약한 포인트 및 퀀트 분석이 필요 그것은 매우 간단 할 왜 개선이 가장 돈 관리를 최적의 포트폴리오를 구축하고 사용에 대한 가능성을 찾을 수 있습니다. 자세한 지식 가능성 향상시킬 수 있습니다. 퀀트 분석 당신이 당신의 거래를 분석하고 당신이 그것을 개선 할 수 있습니다. 몇 가지 예 : 무역 단지 몇 전략은 각각의 전략을 검토하고 개선 할 수 있는지 확인 - 시나리오는 새로운 EA 사용 몬테 확인 돈 관리 시뮬레이터를 사용하여 최적의 위치 크기 조정 방법을 찾기 경우 무엇을 사용하여 특별한 날에 거래하지 않음으로써 예를 들어 전략이 전략의 유연성 및 연신 퀀트 분석의 가장 큰 특징 중 하나는 총 연신입니다 최적의 포트폴리오를 찾기 위해 많은 전략을 사용하여 포트폴리오 마스터 사이에서 선택 현실 세계에서 살아남을 경우 전략 backtest에 카를로 밖으로 찾을 수 있습니다. 당신이 좋아하는 거래 플랫폼에 새로운 사용자 지정 표시를 추가 할 수 있습니다 것처럼, 당신은 간단한 코드를 만들어 퀀트 분석에 새로운 기능을 추가 할 수 있습니다. 당신이 당신은 추가 할 수 있습니다 프로그램에 포함되지 않은 새로운 통계 값을 계산 하시겠습니까. 당신이 결과에 테이블이나 새로운 분야에 새 열을 만드는 것이 가능하다 개요 하시겠습니까. 당신이 어떤 새로운-경우 케이스 또는 새로운 돈 관리 방법을 만드시겠습니까. 넌 할 수있어. 당신이 프로그래밍에 능숙하지 않더라도, 당신을 위해 그것을 할 사람을 요청에서 당신을 제한은 없습니다. 포트폴리오 마스터하자의를 사용하여 최적의 포트폴리오를 구축 당신은 20 개의 다른 전략을 가지고 있다고하지만, 귀하의 계정 크기 또는 섹터 / 기호의 다양 화 방법을 사용하면 5 그들의 거래를 할 수 있습니다. 사용할 수있는 20에서 5 전략의 최적의 portofolio을 구축하는 방법을 말해 - 그래서 당신은이 (20) 전략의 5 거래 할 선택해야합니다. 포트폴리오 마스터가 당신을 위해 할 수있는 등 - 가에 의해 필터링을 지원 상관 관계 - 그래서 포트폴리오는 t이 실행 몬테 카를로는 테스트 같은 분야 또는 기호에서 너무 많은 전략을 포함 케이 - 그래서 포트폴리오는 t이 너무 상관 분야입니다 전략을 포함 아무튼 당신의 전략의 몬테카를로 분석 (또는 시뮬레이션)은 전략 backtest를 확인할 수 있도록 할 수있는 강력한 기술이다 ​​- 전략 정말 작동하는지 또는이 backtest 결과는 행운이나 커브 피팅에 의해 달성 된 경우. 무엇-경우 시나리오가 혹시 당신이 주일의 특정 일에 거래를 방지하면 어떻게 거래 결과를 개선하는 방법을 생각해 보게한다. 아니면 어떻게 거래 결과는 어떻게 든 10 가장 수익성이 거래를 놓친 거라고 경우처럼 보일 것입니다. 그들은 유연한 방법을 제공 거래의 결과와 함께 일을하고 일어날 수있는 어떤 다른 시나리오를 사용하여 거래의 일부를 필터링 - 이 훨씬 더 당신이 시나리오 경우 무엇을 사용하여 시뮬레이션 할 수 있습니다 정확히이다. 퀀트 분석 당신이 다른 돈 관리 (크기 위치) 모델과 전략을 거래 시뮬레이션 할 수있는 최적의 위치 사이징 모델 돈 관리 시뮬레이션 기능을 찾을 수 있습니다. 예를 들어, 고정 또는 많은 다른 위험 옵션 계좌의 위험을 사용하여 거래의 결과를 비교.