Overzicht
Kwantitatief strategieonderzoek is het vinden, testen en valideren van handelsstrategieën met statistische analyse van historische marktdata. Het doel is een echt statistisch voordeel: een verband tussen marktvariabelen en latere koersbewegingen dat ook buiten de geteste periode standhoudt, realistische transactiekosten overleeft en niet alleen in één soort markt werkt.
Tussen een onderzoeksidee en een inzetbare strategie zit veel werk. De hypothese moet precies worden gedefinieerd, correct worden getest op historische data, out-of-sample worden gevalideerd, worden doorgerekend over verschillende marktregimes en zo worden geïmplementeerd dat ze live kan draaien en bewaakt kan worden. Elke stap vraagt om eigen infrastructuur, statistische kennis en de discipline om geen kortere weg te nemen die resultaten oplevert die achteraf mooi lijken maar live tegenvallen.
Wij bouwen kwantitatieve onderzoeksinfrastructuur op maat voor systematische handelsfirma's, hedgefondsen, eigen handelsdesks en zelfstandige kwantitatieve onderzoekers, afgestemd op hun activaklassen, databronnen en onderzoeksmethode.
Wat onderzoeksinfrastructuur omvat
Onderzoeksdata. Aandelenkoersen gecorrigeerd voor dividenden, splitsingen en andere corporate actions, zodat de reeks het werkelijke rendement weergeeft. Point-in-time fundamentele data: balans, winst-en-verliesrekening en kasstromen zoals ze op het beslismoment bekend waren, niet zoals ze later zijn herzien. Universums zonder survivorship bias, waarin ook aandelen zitten die van de beurs zijn gehaald, zijn overgenomen of failliet gingen. Voor futures: doorlopende contracten met een passende roll-correctie. Voor forex en crypto: schone tick- en bardata. Daarnaast alternatieve data, zoals winstverrassingen, analistenherzieningen of sentiment, uitgelijnd met de koersdata.
Factoronderzoek. Precieze factorberekeningen, zoals momentum als het 12-maandsrendement zonder de laatste maand of waarde als boek-tot-prijsverhouding op point-in-time data. Daarbij de analyses om factoren te beoordelen: de informatiecoëfficiënt (IC) tussen signaal en later rendement en hoe die door de tijd varieert, hoe snel het signaal uitdooft, de correlatie tussen factoren, kwintiel- en decielportefeuilles, long-short-spreads en Fama-MacBeth-regressies. En het combineren van factoren tot één samengesteld signaal.
Signaalonderzoek. Voor strategieën buiten cross-sectionele factormodellen, zoals tijdreeksmomentum, mean reversion, macro of alternatieve data: het precies berekenen van signalen bar voor bar, het valideren met out-of-sample-tests en significantietoetsen, en het combineren van signalen tot een geheel dat robuuster is dan elk afzonderlijk signaal.
Backtesting. Een eventgestuurde simulatie die historische data verwerkt alsof ze live binnenkomt, zodat op elk moment alleen beschikbare data wordt gebruikt en lookahead bias wordt voorkomen. Realistische kosten: bied-laatspread, marktimpact, leenkosten voor shortposities en financieringskosten. En simulatie op portefeuilleniveau, met positielimieten, sectorlimieten en grenzen aan factorblootstelling.
Statistische validatie. Out-of-sample-tests en walk-forward-analyse, waarbij steeds wordt geoptimaliseerd op een trainingsvenster en getest op de periode daarna. Correctie voor het testen van veel varianten (Bonferroni, Benjamini-Hochberg of simulatie). Bootstrap voor betrouwbaarheidsintervallen rond bijvoorbeeld de Sharpe ratio, en permutatietests die laten zien hoe waarschijnlijk het resultaat is voor een strategie zonder voordeel. En analyse per marktregime: trendend of zijwaarts, hoge of lage volatiliteit.
Reproduceerbaarheid. Elk experiment wordt vastgelegd: de hypothese, de data, de parameters, de resultaten en de conclusie. Vaste softwareversies en dataversies per onderzoek, zodat een bevinding na maanden nog exact te reproduceren is. En een duidelijke scheiding tussen verkennende notebooks en code die naar productie gaat.
Tools en Bibliotheken
Onderzoek in Python. Pandas, NumPy, SciPy, scikit-learn, statsmodels en Matplotlib, aangevuld met eigen bibliotheken voor wat uw onderzoek specifiek nodig heeft.
Backtestbibliotheken op maat. Gebouwd voor uw activaklassen, databronnen en portefeuilleconstructie, met de conventies en uitvoer die uw team gebruikt, in plaats van een standaardpakket dat eigen beperkingen oplegt.
Rekenkracht. Waar notebooks te traag worden, nemen Rust-componenten de zware delen over, zoals factorberekening, cross-sectionele analyse en de backtestsimulatie, en worden grote onderzoeksjobs parallel verdeeld.
Factor- en signaalbibliotheek. Eén vastgestelde implementatie per factor, gebruikt in onderzoek én live, met bijgehouden welke onderzoeksresultaten van welke factor afhangen.
Koppelingen
Live handel. Factorberekeningen draaien live met dezelfde code als in het onderzoek, zodat het live systeem de strategie uitvoert die is gevalideerd.
Dataleveranciers. Massive (voorheen Polygon.io), LSEG (Refinitiv), Bloomberg, Compustat en CRSP, binnen de voorwaarden van elke licentie.
Portefeuillebeheer en uitvoering. Het portefeuillesysteem ontvangt de signalen en bepaalt de doelportefeuille; het uitvoeringssysteem brengt die live, zonder implementatieverschillen ten opzichte van het onderzoek.
Gebruikte technologieën
- Python — primaire kwantitatieve onderzoekstaal: Pandas, NumPy, SciPy, scikit-learn, statsmodels, Matplotlib, Seaborn, Jupyter
- Rust — snelle factorberekening, simulatie-engine voor backtests, grootschalige numerieke berekeningen
- C# / ASP.NET Core — API voor onderzoeksdata, factorbibliotheek als service, pijplijn voor live signalen
- SQL (PostgreSQL, TimescaleDB) — point-in-time fundamentele data, prijsgeschiedenis, factorwaarden, onderzoeksresultaten
- Parquet / Apache Arrow — kolomgebaseerde opslag voor grote historische datasets, direct bruikbaar in Python
- Apache Kafka — live datapijplijn voor realtime factorberekening
- Redis — live factorwaarden, signaalcache, onderzoekstaakcoördinatie
- Massive (Polygon.io) / LSEG / Bloomberg API's — ophalen van markt- en fundamentele data
- AWS S3 / object opslag — opslag van grote historische datasets en onderzoeksarchief
- MLflow / experiment tracking — vastleggen van experimenten en reproduceerbaarheid
- Docker / containerisatie — vaste onderzoeksomgevingen en reproduceerbaarheid
Het verschil tussen onderzoek en live
De duurste fout in systematische handel is een strategie die in onderzoek goed presteert en live tegenvalt. De oorzaken zijn bekend: overfitting op historische data, te optimistische kostenaannames, uitvoeringsaannames die niet kloppen met de echte markt en lookahead bias. Infrastructuur die out-of-sample-tests, realistische kosten, het voorkomen van lookahead bias en correctie voor veel geteste varianten standaard toepast, maakt dat verschil niet nul, maar wel kleiner en beter te verklaren.
Veelgestelde vragen
Ontwikkelt u handelsstrategieën voor ons?
Nee. De onderzoeksvragen en het marktinzicht zijn van u. Wij bouwen de infrastructuur waarmee uw onderzoekers werken: data, backtests, statistische toetsen en de route van onderzoek naar live handel.
Welke databronnen kunt u koppelen?
De leveranciers waarvoor u al een licentie heeft, zoals Bloomberg, LSEG, Massive (voorheen Polygon.io), Compustat of CRSP, plus broker- en beursdata en uw eigen bestanden. Wat u mag opslaan en hergebruiken, bepaalt de licentie van elke leverancier; daar richten wij de opslag op in.
Hoe voorkomt u lookahead- en survivorship bias?
Met point-in-time data die alleen laat zien wat op elk moment bekend was, universums waarin ook verdwenen aandelen zitten, en een eventgestuurde backtest die alleen data gebruikt die op het beslismoment beschikbaar was. Die controles zitten in het framework, niet bij elke onderzoeker afzonderlijk.
Garandeert goed onderzoek live resultaten?
Nee. Een zorgvuldige methode maakt resultaten eerlijker en verkleint het verschil tussen onderzoek en live handel, maar markten veranderen en geen enkele backtest garandeert toekomstig rendement.
Wie is eigenaar van de code?
Het eigendom van de broncode wordt in het contract vastgelegd, en de code kan volledig van u zijn, inclusief documentatie en tests.
Zie ook statistische modellering, tickdataverwerking en wat is backtesting.
Bouw uw onderzoeksplatform
Vertel ons over uw onderzoeksproces, activaklassen en databronnen. Wij laten zien hoe wij de data, de backtests en de route naar live handel zouden inrichten.