Advanced Algorithmic Trading

Autor: Michael Halls-Moore | Jahr: 2017 | Verlag: QuantStart

Kernthesen

• Alpha zu finden erfordert drei Werkzeuge zusammen: Bayesianische Statistik, Zeitreihenanalyse und Machine Learning — keines davon allein reicht.
• Bayesianische Methoden sind klassischen frequentistischen Ansätzen überlegen, weil sie Unsicherheit explizit modellieren und Prior-Wissen formal integrieren.
• Zeitreihenmodelle (ARIMA, GARCH, Kalman Filter) erfassen Marktdynamiken, die einfache Regressionen nicht sehen — insbesondere Volatilitätscluster und Mean Reversion.
• Machine Learning im Trading muss strikt auf Overfitting geprüft werden — Walk-Forward Validation und Out-of-Sample Tests sind Pflicht.
• Das Buch setzt auf QSTrader als open-source Backtesting-Framework, das die Lücke zwischen historischem Test und Live-Execution schließt.

Methoden & Konzepte

Bayesianische Statistik

• Bayes' Regel und Bayesianische Inferenz — Grundlagen mit Coin-Flip-Beispielen
• Bayesianische Inferenz für Binomial-Proportionen (Beta-Prior, Posterior-Update)
• Markov Chain Monte Carlo (MCMC) — Metropolis-Hastings, Gibbs Sampling
• PyMC3 für probabilistisches Programmieren in Python
• Lineare Regression bayesianisch — mit vollständigen Posterior-Verteilungen statt Punktschätzern
• Bayesianische Zeitreihenmodelle — State Space Models, Dynamic Linear Models

Zeitreihenanalyse

• Stationarität, Autokorrelation, Korrelogramme
• ARMA, ARIMA, GARCH — Aufbau und Kalibrierung auf Finanzdaten
• Kointegration und Pairs Trading — ADF-Tests, Johansen-Test, CADF
• Kalman Filter — Zeitvariante Regression für dynamisches Hedge Ratio
• Regime-Wechsel — Hidden Markov Models (HMM) für Marktregimes

Machine Learning

• Supervised Learning: Lineare/Logistische Regression, SVM, Random Forests
• Unsupervised Learning: K-Means, PCA für Faktor-Reduktion
• Feature Engineering: Technische Indikatoren als ML-Features
• Cross-Validation im Zeitreihenkontext — kein random shuffling
• Ensemble-Methoden: Gradient Boosting für Handels-Signale

Backtesting & Execution

• QSTrader — Event-Driven Backtesting Framework (Python, open-source)
• Walk-Forward Optimization gegen Overfitting
• Transaction Costs, Slippage, Market Impact realistisch modelliert

Schlüsselzitate

"Advanced Algorithmic Trading is a definite step up in complexity from the previous QuantStart book."

"The goal of QuantStart has always been to try and outline the mathematical and statistical [tools] needed for serious trading."

"The Hunt for Alpha requires time series analysis, Bayesian statistics and machine learning working together."

Bewertung

Für den Trader/Investor: Einzigartiges Lehrbuch das drei fortgeschrittene Methoden — Bayes, Zeitreihen, ML — direkt auf handelbare Strategien anwendet. Vollständige Python/R-Code-Beispiele für jedes Konzept. Wer das Vorgängerbuch (Successful Algorithmic Trading) kennt, kann direkt aufbauen.

Einzigartiger Beitrag: Die Verbindung von PyMC3 (probabilistisches Programmieren), Kalman Filtern und Hidden Markov Models in einem einzigen Werk mit Fokus auf Retail-Quant-Trading ist in dieser Form einmalig. Halls-Moore demonstriert, wie institutionelle Methoden mit open-source Tools replizierbar sind.