دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Richard D. Bateson
سری:
ISBN (شابک) : 1800612370, 9781800612372
ناشر: World Scientific Publishing
سال نشر: 2022
تعداد صفحات: 287
[288]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 20 Mb
در صورت تبدیل فایل کتاب Quantitative Hedge Funds: Discretionary, Systematic, AI, ESG And Quantamental به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب صندوق های تامینی کمی: اختیاری، سیستماتیک، هوش مصنوعی، ESG و کمی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
به باشگاه مخفی صندوقهای تامینی مدرن خوش آمدید، جایی که بازیگران مهم دنیای سرمایهگذاری و بازارهای سرمایه نزدیک به 4 تریلیون دلار در سطح جهان سرمایهگذاری کردهاند. اگر شما شیفته عملکرد صندوقهای تامینی، تکنیکهای سرمایهگذاری و فناوریهایی هستید که آنها برای استفاده از آن استفاده میکنند. منبع آلفا سرمایه گذاری، این کتاب برای شماست. با تمرکز بر سه دهه تجربه تجاری نویسنده در بانکهای پیشرو و صندوقهای تامینی، استراتژیها و دیدگاههای اختیاری و کامپیوتر محور و دیدگاههای سرمایهگذاری مبتنی بر هوش مصنوعی و کمی با استفاده از دادههای جایگزین جدید را پوشش میدهد، که شامل مثالها و بینشهای متعددی از واقعیات است. تجارت و استراتژی های سرمایه گذاری هیچ دانش ریاضی مورد نیاز نیست، با الگوریتمهای مربوطه که در پیوستها شرح داده شده است. از طریق معاملات سهام، اوراق قرضه و وام، معاملات رویداد محور می توانند موقعیت های خاص سودآور و فرصت های ارزش نسبی را هدف قرار دهند. معاملات سیستماتیک شامل استراتژی های کامپیوتری است که از تجزیه و تحلیل علمی و آماری بازارهای نقدی به دست می آید. استراتژیهای سرمایهگذاری هر دو CTA و صندوقهای سهام بلند/کوتاه، از رویکردهای مبتنی بر روند تا رویکردهای مبتنی بر عامل، به تفصیل شرح داده شدهاند. سرمایه گذاری در هوش مصنوعی مد است، اما آیا واقعیت برای صندوق های تامینی با هیاهوی هوش مصنوعی موجود در سایر حوزه های غیر مالی مطابقت دارد؟ هوش مصنوعی با استفاده از شبکههای عصبی و سایر تکنیکهای یادگیری ماشین همراه با کاربرد عملی آنها در زمینه سرمایهگذاری تشریح شده است. صندوقهای تامینی کمی همچنین در مورد سرمایهگذاری زیستمحیطی، اجتماعی و حاکمیتی (ESG) بحث میکنند، که با تقاضای مردم و موسسات راهحلی برای مشکلات جهانی به سرعت تکامل یافته است. مانند تغییرات آب و هوایی، آلودگی و شیوه های کاری غیراخلاقی. استراتژیهای سرمایهگذاری ESG به خارج از فضای طولانی مدت و به صندوقهای تامینی مهاجرت میکنند. در نهایت، ظهور دادههای بزرگ منجر به ایجاد مجموعههای داده جایگزین متعددی برای مدیران صندوقهای تامینی شده است. ادغام داده های جایگزین در فرآیند سرمایه گذاری، همراه با ظهور به اصطلاح سرمایه گذاری کمی، ترکیبی از بهترین مهارت های انسانی و فناوری های مبتنی بر رایانه مورد بحث قرار می گیرد.
Welcome to the secretive club of modern hedge funds, where important players in the world of investing and capital markets have invested close to $4 trillion globally.If you\'re intrigued by the inner workings of hedge funds, investment techniques and technologies they use to source investment alpha, this book is for you. Focusing on the author\'s three decades of trading experience at leading banks and hedge funds, it covers both discretionary and computer-driven strategies and perspectives on AI-based and quantamental investing using new alternative data, which includes numerous examples and insights of real trades and investment strategies. No mathematical knowledge is required, with the relevant algorithms detailed in the appendices.Discretionary investing details equity and credit investing across the corporate capital structure. Through trading equities, bonds and loans, event-driven trades can target profitable special situations and relative value opportunities. Systematic trading involves computer-driven strategies derived from a scientific and statistical analysis of liquid markets. The investment strategies of both CTAs and long/short equity funds are detailed, from trend-following to factor-based approaches. AI investing is fashionable but does the reality for hedge funds correspond to the AI hype present in other non-financial domains? AI using neural nets and other machine learning techniques are outlined along with their practical application in regards to investing.Quantitative Hedge Funds also discusses environmental, social and governance (ESG) investing, which has rapidly evolved as the public and institutions demand solutions to global problems such as climate change, pollution and unethical labour practices. ESG investment strategies are migrating out of the long-only space and into hedge funds.Finally, the advent of big data has led to multiple alternative datasets available for hedge fund managers. The integration of alternative data into the investment process is discussed, together with the rise of so-called quantamental investing, a hybrid of the best of human skill and computer-based technologies.
Contents Preface About the Author Guide to Acronyms Glossary of Notations Chapter 1 Efficient Markets 1.1 Introduction 1.2 Brownian Motion 1.3 The Efficient Markets Hypothesis 1.4 The Black–Scholes Equation 1.5 Interest Rate Exotics 1.6 The Derivatives Ideology 1.7 Credit Derivatives 1.8 The Normal Copula 1.9 Equity Correlation 1.10 Structured Credit Trading 1.11 Towards Real Markets Chapter 2 Real Markets 2.1 The Federal Cavalry 2.2 Once “Greed was Good” 2.3 The Great Japan Crash 2.4 Black Monday 2.5 George’s Black Wednesday 2.6 Tequila and Tigers 2.7 The Russian GKO Bust 2.8 Too Big to Fail 2.9 The .Con Bubble 2.10 The Lehman Moment 2.11 Taper Tantrums 2.12 The Corona Crisis 2.13 “The Best of All Possible Worlds” 2.14 Will Chaos Theory Rule? Chapter 3 Discretionary Adventures 3.1 Catalyst Trading 3.2 Classifying Event Driven Trades 3.3 Corporate Capital Structure 3.4 The Instruments of Torture 3.4.1 Equities 3.4.2 Corporate bonds 3.4.3 Credit default swaps 3.4.4 Leveraged loans 3.5 Leverage and Financing 3.5.1 Prime brokers 3.5.2 Repo market 3.5.3 Total return swaps 3.6 Trading Across the Capital Structure 3.7 Capital Structure Trades 3.7.1 Execution, carry and narrative 3.7.2 The GM debacle 3.7.3 The Maytag short 3.8 Merger and LBO Trades 3.9 Credit Curve Trades 3.9.1 Notional weighted curve trades 3.9.2 Duration weighted curve trades 3.9.3 Practical curve trades 3.9.4 HCA curve steepener 3.9.5 UPC curve flattener 3.10 Loan Arbitrage 3.10.1 INEOS loan arbitrage 3.11 Basis Trades 3.11.1 Supervalue basis trade 3.12 Portfolio Construction 3.12.1 Liquidity considerations 3.12.2 Funding constraints 3.12.3 Profit targets 3.12.4 Mind the skew 3.13 Risk Management 3.13.1 VaR models 3.13.2 Stress testing and scenario analysis 3.13.3 Real portfolio risk 3.14 The Old School Approach Chapter 4 Systematic Profits 4.1 Systematic Investing 4.2 The Main Types of Systematic Hedge Funds 4.2.1 Commodity trading advisors 4.2.2 L/S equity 4.3 Overview of a Typical CTA Trading System 4.4 Systematic Strategy Types 4.4.1 Momentum 4.4.2 Reversion 4.4.3 Carry 4.4.4 Value 4.4.5 Cross-sectional 4.4.6 Timing 4.4.7 Fundamental 4.4.8 Technical analysis 4.4.9 Volatility 4.4.10 Spread trading 4.5 Multi-Market Diversification 4.6 Multi-Strategy Diversification 4.7 Practical Aspects of Systematic Trading 4.8 Strategy Development 4.8.1 Strategy conception 4.8.2 System development 4.8.3 Backtesting 4.8.4 Performance evaluation 4.8.5 Internal review 4.8.6 Live-testing 4.9 Key Issues with Developing Trading Strategies 4.9.1 Over-fitting and feedback 4.9.2 Regime change 4.9.3 Transaction cost modelling 4.9.4 Risk-scaling 4.9.5 Human discipline 4.10 Good versus Bad Strategies Chapter 5 The Factor Game 5.1 Equity Factor Investing 5.1.1 The capital asset pricing model 5.1.2 The Fama–French three-factor model 5.1.3 The Carhart four-factor model 5.1.4 A flood of factors 5.2 Review of the Big 5 Factors 5.2.1 The market beta factor 5.2.2 The size factor 5.2.3 The value factor 5.2.4 The momentum factor 5.2.5 The quality factor 5.3 Investing with Factors 5.4 A Reversion Factor? 5.5 The Blunderbuss Approach 5.6 The Evolution of Factors Chapter 6 AI Again 6.1 AI Revisited 6.2 Classifying Cats and Dogs 6.3 Machine Learning for Hedge Funds 6.4 The Growth and Death of AI Funds 6.5 Von Neumann’s Elephant 6.6 One Financial History 6.7 Machine Learning Techniques 6.7.1 Algorithmic indifference? 6.8 Artificial Neural Networks 6.8.1 From perceptrons to neural nets 6.8.2 Training neural nets 6.8.3 Over-fitting markets 6.8.4 Routes to success 6.9 The Simplest ML Technique — kNN 6.9.1 Applying kNN to L/S equities 6.10 Comparison with Traditional Systematic Investing 6.10.1 Strategy conception 6.10.2 Signal combination 6.10.3 The strategy algorithm 6.10.4 Market adaptation 6.10.5 Model transparency 6.11 The Future of Machine Learning for Investing Chapter 7 ESG Investing 7.1 The Ethics of Don Draper 7.2 An Unsustainable Forest of Sustainability Jargon 7.3 What are the E, S and G? 7.4 Arctic Drilling but No Beers Please, Especially at the Casino 7.5 The Minefield of ESG Ratings 7.5.1 Back to the future with the agencies 7.5.2 Weak correlations 7.5.3 The disclosure bias 7.5.4 Manageable versus unmanageable risks 7.5.5 Responsible managers and curious investors 7.6 ESG Investment Strategies 7.6.1 Ratings based investing 7.6.2 Discretionary versus systematic ESG 7.7 Does ESG Investing Work? Chapter 8 Towards Quantamental 8.1 Nowcasting 8.2 Alternative Data 8.3 Types of Alternative Data 8.3.1 From individuals 8.3.2 From companies 8.3.3 From sensors 8.3.4 From the economy 8.3.5 From brokers 8.4 Integrating Alternative Data into the Investment Process 8.4.1 Selection and onboarding of datasets 8.4.2 Structured versus unstructured data 8.4.3 Data coverage and history 8.4.4 Dataset alpha determination 8.5 The Future is Quantamental Appendix A Efficient Markets A.1 Modern Portfolio Theory A.2 Brownian Stock Prices A.3 Ito’s Lemma A.4 The Black–Scholes Differential Equation A.5 The Black–Scholes Option Pricing Equation A.6 Ergodic Processes A.7 The St. Petersburg Paradox A.8 Discount Factors, Zero Rates and Forward Rates A.9 The Hull–White Model A.10 Chooser Notes A.11 Knock-in Reverse Convertibles A.12 Equity Worst-of Options A.13 Pulsar Protected Notes Appendix B Discretionary Adventures B.1 The Gordon Growth Model B.2 A Brief Glossary of Corporate Events B.2.1 Corporate mergers B.2.2 Spin-offs B.2.3 Private sale B.2.4 Rights issue B.2.5 Initial public offering B.2.6 Company restructuring B.2.7 Balance sheet re-leveraging B.2.8 Balance sheet deleveraging B.2.9 LBOs and MBOs B.2.10 Potential LBOs B.2.11 Share buybacks B.2.12 Acquisitions B.2.13 Special dividend recap B.2.14 Distressed B.3 Present Valuing Cashflows B.4 Bond Yields B.5 Floating Rate Notes B.6 Par Asset Swap B.7 The Stochastic Default Model B.8 The Reduced Form Model B.9 Credit Event Definitions B.10 Pricing Credit Default Swaps B.11 Normal Copula Model for Correlated Default Times B.12 Credit Curve Trades B.13 Sharpe Ratio B.14 Value-at-Risk Appendix C Systematic Profits C.1 Generic Signal Methodology C.1.1 Signal Z-scores C.1.2 Combining signals C.1.3 Signal response functions C.1.4 Position risk-scaling C.2 Basic Time Series Manipulation C.2.1 Simple moving average C.2.2 Exponentially weighted moving average C.2.3 Exponentially weighted volatility C.3 Fundamental Signals C.3.1 Output gap C.3.2 Phillips curve C.3.3 Taylor rule C.4 CTA Momentum Signal C.4.1 Momentum using kernels C.5 CTA Carry Signal C.6 CTA Value Signal C.7 CTA Credit Trading C.8 CTA Spread Trading C.9 Execution and Slippage C.9.1 Empirical market impact equation Appendix D The Factor Game D.1 Alpha and Beta D.2 Capital Asset Pricing Model D.3 Arbitrage Pricing Theory D.4 The Fama–French Three-Factor Model D.5 The Cahart Four-Factor Model D.6 A Quality Definition D.7 Joel Greenblatt’s “Magic Formula” Investing D.8 Implied Volatility Factors D.9 Statistical Arbitrage D.9.1 Distance method D.9.2 Cointegration method D.9.3 Copula method D.10 Principal Components Analysis Appendix E AI Again E.1 Machine Learning Basic Definitions E.2 Linear Regression Model E.3 The Perceptron E.4 kNN Methodology E.5 Granger Causality Further Reading Index