NCDEX(National Commodity and Derivatives Exchange)의 부사장인 Sunil Lani는 특히 농산물에 초점을 맞춘 상품 시장의 알고리즘 거래 세계를 탐구할 기회를 가집니다. 인도에서 가장 큰 농업 거래소인 NCDEX는 거래를 위한 약 20개의 다양한 상품을 제공합니다.
Lani는 상품 시장에서 일반적으로 사용되는 세 가지 인기 있는 거래 스타일인 헤징, 차익 거래 및 방향성 거래를 소개하는 것으로 시작합니다. 그는 기본 투자와 관련된 위험을 완화하는 데 사용되는 투자 전략으로 헤징을 강조합니다. NCDEX의 맥락에서 농부들은 위험 노출을 최소화하기 위해 기본 농업 자산을 헤지하는 경우가 많습니다.
계속해서 화자는 상품 시장에서 널리 퍼진 두 가지 유형의 거래 전략인 헤징과 차익 거래로 논의를 전환합니다. Lani는 헤징 전략에서 상관관계가 높은 기본 자산의 중요성을 강조합니다. 차익 거래의 경우, 그는 캘린더 스프레드와 페어 트레이딩이라는 두 가지 특정 접근 방식을 탐구하며 후자는 헤지 전략과 유사점을 공유한다는 점에 주목합니다. Lani는 상관관계의 타당성을 보장하기 위해 T Fuller 테스트를 적용할 것을 제안하면서 페어 트레이딩을 위해 높은 상관관계와 통합된 상품을 선택하는 것의 중요성을 강조합니다.
또한 Lani는 알고리즘 거래와 관련된 다양한 단계에 대한 개요를 제공합니다. 그는 거래 개념을 적용하기 위해 적절한 스크립트 또는 도구를 식별하고 필터링하는 것으로 프로세스가 시작된다고 설명합니다. 그 후, 모델이 시각화되고 엄격한 백테스팅과 매개변수 또는 모델 자체의 최적화가 이어집니다. 다음 단계는 종이 거래를 포함하고 궁극적으로 실제 돈이 위태로운 실시간 거래로 전환하는 것입니다.
토론을 계속하면서 Lani는 알고리즘 거래의 초기 단계에 중점을 둡니다. 그는 트레이딩 아이디어를 브레인스토밍하고 트레이더의 목표에 부합하는 트레이딩 논리를 완성하는 것의 중요성을 강조합니다. 주요 고려 사항에는 거래 빈도 결정, 거래에 적합한 세그먼트 선택 및 백 테스트 기간 설정이 포함됩니다. 거래 전략을 위한 데이터 이해의 어려움을 설명하기 위해 연사는 다양한 부문에 걸친 인도의 국내 총생산(GDP) 데이터를 제시합니다. 그는 데이터를 그래픽 표현으로 변환하여 더 나은 이해를 돕고 가격 변동과의 상관 관계를 조사할 것을 제안합니다. 또한 Lani는 과거 농업 데이터를 시각적으로 표현하여 여러 관점에서 데이터를 분석하는 것의 중요성을 강조합니다.
발표자는 상품 시장에서 알고리즘 거래에 필요한 리소스에 대해 계속 논의합니다. 그는 거래 전략을 차익 거래와 모멘텀이라는 두 가지 주요 영역으로 분류합니다. 쌍 거래, 상관 분석, 이동 평균 및 확률 분포와 같은 기술이 일반적으로 사용됩니다. 인프라는 API를 통해 브로커에 연결하고 클라우드 또는 온프레미스에서 알고리즘을 호스팅하는 것을 포함하여 알고리즘 거래의 중요한 측면입니다. Lani는 또한 Excel, Tableau, Power BI 및 TradingView와 같은 도구를 사용하여 수행할 수 있는 데이터 시각화 및 기술 지표의 중요성을 강조합니다.
Lani는 상품 시장에서 알고리즘 거래에 적합한 다양한 도구와 플랫폼을 추가로 탐색합니다. 그는 비 프로그래머 또는 세미 프로그래머가 종종 Metatrader 및 Interactive Brokers와 같은 플랫폼을 선택한다고 언급합니다. 순수한 프로그래밍 목적을 위해 Python은 Quantopian, Blueshift, QuanTX 및 Zerodha와 같은 Python 기반 알고리즘 거래 플랫폼이 인기를 얻으면서 주요 언어로 부상했습니다. 또한 발표자는 Pandas, Numpy, Beautifulsoup, Backtrader, Stream Python, Feedparser, Peopie 및 NLP와 같은 감정 분석 라이브러리를 포함하여 데이터 처리 및 백테스팅을 위한 필수 라이브러리를 강조합니다.
다음 부분에서 Lani는 거래 아이디어를 생성하고 농산물을 사용하여 모델을 설계하는 과정을 예로 설명합니다. 농산물 상품이 주식이나 외환보다 변동성이 적은 경향이 있다는 점을 감안할 때 볼린저 밴드를 지표로 사용하여 특히 평균 가격 범위에서 2 표준 편차로 설정된 평균 회귀 전략을 적용할 것을 제안합니다. 유동 상품 선택을 위한 필터링 기준은 거래량이 1080 이상인 상품을 선택하는 것입니다. Lani는 Jana를 NCDX에서 거래할 것을 권장합니다. 모델을 시각화하기 위해 Lani는 Investing.com을 사용하여 볼린저 밴드를 그릴 것을 제안합니다. 레벨은 매수 및 매도 지점을 나타냅니다.
초점을 백테스팅으로 옮기면서 Lani는 과거 데이터를 사용하여 알고리즘 거래 모델의 논리를 검증하는 것이 중요하다고 강조합니다. 이 단계는 모델이 실제 환경에 배포될 때 잠재적인 손실을 방지하는 데 중요합니다. Lani는 개방형 포털에서 데이터 다운로드, 관련 라이브러리 가져오기, 지원 기능 작성, 구매 및 판매 신호 생성, 출력 시각화, 전략에 의해 생성된 수익 평가를 포함하는 백테스팅과 관련된 단계를 설명합니다. 그는 또한 백테스팅 과정에서 수익, 최대 손실, 최대 이익, 손절매와 같은 매개변수를 고려할 것을 제안합니다. Lani는 Github와 같은 플랫폼에서 가져온 라이브러리에만 의존하는 대신 개인 백테스팅 기능을 사용할 것을 조언합니다.
연사는 데이터 프레임, 전략 유형, 진입 및 퇴장 기준, 위치 피드를 기반으로 매수 및 매도 신호를 생성하기 위해 함수가 취하는 다양한 매개변수를 설명합니다. 거래자는 계산을 위해 시가 또는 종가를 구성하고 손절매 및 목표 비율을 설정할 수 있습니다. Lani는 통계 보고 기능과 선택한 지표에 대한 표준 편차를 사용하여 수준을 생성하는 또 다른 기능에 대해서도 설명합니다. 마지막으로 주요 기능은 이러한 다른 기능을 호출하여 선택한 전략에 따라 매수 및 매도 신호를 반환하고 요약을 생성합니다.
앞으로 Lani는 BV 연습 위치 기술을 사용하여 거래 백테스팅 보고서를 생성하는 방법을 시연합니다. 출력에는 모든 거래, 거래 수수료 및 슬립 에지가 포함된 데이터 프레임이 포함됩니다. 백테스팅 기능이 호출되고 보고서가 생성됩니다. 이 보고서는 출력에 대한 통계 및 그래픽 표현을 제공하여 반환 비율, 거래 세부 정보 및 지정된 기간 동안의 누적 반환을 보여줍니다. Lani는 보고서를 분석하고 -2% 또는 -3%를 초과하는 손실을 피하기 위해 약 -1.5에서 손절매를 설정할 것을 제안합니다. 백테스팅 결과 최대수익률은 8%로 최대 8% 또는 9%까지 손절매를 설정할 수 있음을 알 수 있다.
그런 다음 연사는 알고리즘을 최적화하는 프로세스에 대해 논의합니다. Lani는 최적화에 대한 한 가지 접근 방식이 다른 매개변수 집합을 사용하여 원래 알고리즘을 여러 번 실행하는 또 다른 알고리즘을 만드는 것과 관련이 있다고 설명합니다. 이를 설명하기 위해 그는 롤백 기간에 대한 룩백 기간이 최적화된 예를 제공합니다. 룩백 기간에 대한 다양한 값 목록을 생성하고 조합 기능을 활용하여 모든 매개변수 집합의 포괄적인 목록을 생성할 수 있습니다. Lani는 상품 시장에서 성능을 향상시키기 위해 알고리즘 최적화의 중요성을 강조합니다.
최적화에 대한 논의를 계속하면서 Lani는 백테스팅을 위해 서로 다른 매개변수를 사용하는 엘보우 방법을 통해 세 개의 목록을 사용하여 각 쌍을 평가하는 과정을 설명합니다. 백테스팅 결과는 DF 옵티마이저라는 데이터 프레임에 저장되어 최대 수익을 내는 조합을 식별할 수 있습니다. 그런 다음 최적화된 변수는 최적화된 역할에 저장됩니다. Lani는 최적화 프로세스 중에 데이터를 과대적합하지 않도록 주의하고 정확성을 보장하기 위해 다음 기간에 동일한 매개변수를 실행하는 것의 중요성을 강조합니다. 마지막으로 발표자는 보고서를 다운로드하여 결과를 검토합니다.
Lani는 계속해서 거래 매개변수를 최적화하는 데 사용되는 코드를 제시하고 수익, 평균 수익, 최대 손실률 및 승패율을 포함한 결과 통계를 공유합니다. 최적화된 매개변수는 22.8%의 수익을 가져왔는데, 이는 이전 매개변수 조합으로 달성한 9%에 비해 크게 개선된 것입니다. Lani는 실제 돈을 위험에 빠뜨리지 않고 알고리즘을 테스트하기 위한 종이 거래의 중요성을 강조하고 실시간 거래로 전환할 때 다각화, 포트폴리오 관리 및 위험 관리의 필요성을 강조합니다. 그는 알고리즘 거래의 개발 프로세스와 소프트웨어 제품 개발 수명 주기 사이의 유사점을 지적하면서 결론을 내리고 프로젝트 성공을 보장하기 위해 모든 단계를 부지런히 실행하는 것의 중요성을 강조합니다.
00:00:00 NCDEX의 부사장인 Sunil Lani가 상품 시장, 특히 농업 상품의 알고리즘 거래에 대해 논의합니다. NCDEX는 인도에서 가장 큰 농업 거래소이며 거래를 위해 약 20개의 상품을 제공합니다. Lani는 상품에 관한 세 가지 인기 있는 거래 스타일이 있다고 설명합니다: 헤징, 차익 거래, 방향성 거래. 헤징은 1차 투자의 위험을 완화하기 위한 투자이며, NCDEX에서는 농부들이 자신의 기초 자산에 대해 헤지하여 위험을 최소화합니다.
00:05:00 연사는 상품 시장에서 두 가지 유형의 거래 전략인 헤징과 차익 거래에 대해 논의합니다. 연사는 헤징에서 상관관계가 높은 기본 자산의 중요성을 강조합니다. 한편 차익 거래에서 화자는 캘린더 스프레드와 페어 트레이딩의 두 가지 거래 방식에 대해 설명합니다. 후자는 헤징과 유사합니다. 연사는 쌍 거래를 위해 선택한 상품이 높은 상관 관계와 공동 통합이어야 함을 강조하고 이를 보장하기 위해 T 풀러 테스트를 적용할 것을 권장합니다. 또한 발표자는 알고리즘 거래의 다양한 단계에 대한 개요를 제공합니다. 여기에는 거래 개념을 적용하기 위한 스크립트 또는 도구 식별 및 필터링, 모델 시각화, 백테스팅, 매개 변수 또는 모델 최적화, 종이 거래 및 라이브 거래가 포함됩니다.
00:10:00 발표자는 브레인스토밍 아이디어로 시작하여 거래 논리 아이디어를 마무리하는 알고리즘 거래의 초기 단계에 대해 논의합니다. 그들은 거래 빈도, 거래에 사용할 세그먼트 및 백 테스트 기간을 식별해야 할 필요성을 언급합니다. 그런 다음 연사는 인도의 다양한 부문의 국내총생산(GDP) 데이터를 제시하여 거래 전략 데이터를 이해하는 데 어려움이 있음을 보여줍니다. 그들은 데이터를 그래픽 표현으로 변환하여 더 나은 이해를 제공하고 가격과의 상관 관계를 살펴볼 것을 제안합니다. 그런 다음 연사는 데이터가 어떻게 다르게 해석될 수 있는지와 데이터를 여러 방식으로 분석하는 것의 중요성을 보여주기 위해 시간 경과에 따른 농업 데이터의 시각적 표현을 제시합니다.
00:15:00 연사는 상품 시장에서 알고리즘 거래에 필요한 리소스에 대해 논의합니다. 그는 쌍 거래, 상관 관계, 이동 평균 및 확률 분포와 같은 기술을 사용하여 거래 전략을 차익 거래와 모멘텀을 포함하는 두 가지 주요 영역으로 나눕니다. 알고리즘 거래의 가장 중요한 측면 중 하나는 API를 통해 브로커에 연결하고 클라우드 또는 온프레미스에서 알고리즘을 호스팅하는 것을 포함하는 인프라입니다. 또한 Excel, Tableau, Power BI 및 TradingView와 같은 도구를 데이터 시각화 및 기술 지표 적용에 사용할 수 있습니다.
00:20:00 연사는 상품 시장에서 알고리즘 거래에 사용할 수 있는 다양한 도구와 플랫폼에 대해 논의합니다. 비 프로그래머 또는 세미 프로그래머의 경우 Metatrader 및 Interactive Broker가 널리 사용되는 옵션인 반면 Python은 순수 프로그래밍 도구를 위한 최고의 프로그래밍 언어입니다. 특히 Quantopian, Blueshift, QuanTX, Zerodha와 같은 Python 기반의 알고리즘 거래 플랫폼에 대해 자세히 논의합니다. 연사는 또한 Pandas, Numpy, Beautifulsoup, Backtrader와 같은 인기 있는 데이터 처리 및 백 테스트 라이브러리와 Stream Python, Feedparser, Peopie, NLP와 같은 감정 분석 라이브러리를 강조합니다.
00:25:00 연사는 주식 및 Forex보다 상대적으로 변동성이 적은 농산물의 예를 사용하여 거래 아이디어를 떠올리고 모델을 설계하는 방법을 설명합니다. 아이디어는 평균 가격 범위에서 2 표준 편차로 설정된 Bollinger Bands라는 지표를 사용하여 평균 회귀 전략을 적용하는 것입니다. 필터링 기준에는 볼륨이 1080 이상인 액체 상품을 선택하는 것이 포함되며, 이에 대해 화자는 NCDX에서 Jana 거래를 제안합니다. 이 모델은 Investing.com에서 볼린저 밴드를 그려 시각화할 수 있습니다. 다양한 레벨은 매수 및 매도 지점을 나타냅니다.
00:30:00 연사는 상품 시장에서 알고리즘 거래 모델을 백테스팅하는 과정에 대해 논의합니다. 백테스팅은 과거 데이터를 사용하여 논리를 검증하고 실제 환경에서 모델이 제대로 작동하지 않을 경우 비용 손실을 방지하는 데 중요합니다. 백테스팅 중에는 수익률, 최대 드로다운, 최대 이익 및 손절매와 같은 다양한 매개변수를 고려해야 합니다. 연사는 오픈 포털에서 데이터 다운로드, 라이브러리 가져오기, 지원 기능 작성, 구매 및 판매 신호 생성, 출력 시각화, 전략에서 생성된 수익 평가를 포함하여 백 테스트와 관련된 단계를 설명합니다. 발표자는 또한 Github의 라이브러리 대신 자체 백테스팅 기능을 사용한다고 언급합니다.
00:35:00 연사는 데이터 프레임, 전략 유형, 진입 및 종료 기준, 위치 피드를 기반으로 매수 및 매도 신호를 반환하기 위해 함수가 취하는 다양한 매개변수를 설명합니다. 이 기능을 통해 트레이더는 손절매 및 목표 백분율뿐만 아니라 계산을 위해 시가 또는 종가를 구성할 수 있습니다. 연사는 또한 통계 보고서를 생성하는 기능과 선택한 지표에 대한 표준 편차를 사용하여 수준을 생성하는 기능에 대해 설명합니다. 마지막으로 주요 기능은 선택한 전략에 따라 매수 및 매도 신호를 반환하고 요약을 생성하기 위해 다른 기능을 호출합니다.
00:40:00 연사는 BV 연습 위치 기술을 사용하여 거래 백테스팅 보고서를 생성하는 방법을 보여줍니다. 출력에는 모든 거래, 거래 수수료 및 슬립 에지가 포함된 데이터 프레임이 포함됩니다. 백테스팅 기능이 호출되고 보고서가 생성됩니다. 보고서에는 일정 기간 동안 반품 비율, 거래 및 누적 반품을 보여주는 출력의 통계 및 그래픽 표현이 포함됩니다. 화자는 보고서를 분석하고 -2% 및 -3%의 손실이 발생하지 않도록 약 -1.5에서 손절매를 설정하도록 조언합니다. 얻은 최대 이익은 8%였으며 이는 손절매를 최대 8% 또는 9%로 설정할 수 있음을 의미합니다.
00:45:00 발표자가 알고리즘을 최적화하는 과정에 대해 논의합니다. 그들은 알고리즘을 최적화하는 한 가지 방법은 다른 매개변수 집합을 사용하여 원래 알고리즘을 여러 번 실행할 또 다른 알고리즘을 만드는 것이라고 설명합니다. 발표자는 롤백 기간 동안 룩백 기간을 최적화하는 이 프로세스의 예를 제공합니다. 룩백 기간 동안 다양한 값 목록을 만들고 조합 기능을 사용하여 모든 매개변수 집합의 포괄적인 목록을 만듭니다. 발표자는 상품 시장에서 성과를 개선하기 위해 알고리즘 최적화의 중요성을 강조합니다.
00:50:00 발표자는 백테스팅 결과를 확인하기 위해 서로 다른 매개변수로 엘보우 방법을 통해 각 쌍을 실행하기 위해 세 개의 목록을 사용하는 과정을 논의하고 DF 최적화 프로그램이라는 데이터 프레임에 저장합니다. 그들은 최대 수익을 유지하는 조합을 확인하고 최적화된 역할에 최적화된 변수를 저장합니다. 최적화 프로세스는 데이터가 과대적합되지 않도록 주의해야 합니다. 그들은 최적화 매개변수가 올바른지 확인하기 위해 다음 기간에 동일한 매개변수를 실행하는 것의 중요성을 강조합니다. 마지막으로 발표자는 보고서를 다운로드하여 결과를 확인합니다.
00:55:00 연사는 거래 매개변수를 최적화하는 데 사용되는 코드와 수익, 평균 수익, 최대 손실률 및 승패율을 포함하여 생성된 통계를 검토합니다. 최적화된 매개변수는 22.8%의 수익을 가져왔으며 이전 조합의 9%보다 크게 개선되었습니다. 그들은 돈을 투자하지 않고 알고리즘을 테스트하기 위한 페이퍼 트레이딩의 중요성과 분산화, 포트폴리오 및 리스크 관리의 필요성을 강조합니다. 그들은 또한 알고리즘 거래의 개발 프로세스가 소프트웨어 제품 개발 수명 주기와 유사하다는 점에 주목합니다.
01:00:00 발표자는 알고리즘 거래의 단계를 소프트웨어 개발 단계와 비교할 수 있는 방법을 설명합니다. 거래 전략은 계획 및 요구 단계와 유사하며 종이 거래 및 시뮬레이션 거래는 품질 보증에 매핑됩니다. 화자는 모든 단계가 중요하며 그 중 하나라도 제대로 수행하지 못하면 전체 프로젝트의 실패로 이어질 수 있다고 강조합니다.
이 웨비나 세션은 주식 시장에서 AI를 사용하여 추세를 예측하는 데 중점을 둔 실습 학습 자습서를 제공합니다. 참가자는 Jupyter Notebook을 사용하여 분류 트리 모델을 만드는 데 적극적으로 참여합니다. 주요 목표는 예상되는 양수 또는 음수 미래 수익을 기반으로 거래 규칙을 설정하는 도구 역할을 할 수 있는 분류 트리를 개발하는 것입니다.
거래에서 의사 결정 트리 모델을 활용하는 것은 몰입형 및 대화형 학습 경험을 제공하는 필수 기계 학습 기술입니다. 세션 중에 참석자는 강사와 함께 Python 노트북에서 직접 작업할 수 있는 기회를 갖게 됩니다.
웨비나는 다음과 같은 주요 영역을 다루는 것을 목표로 합니다.
다양한 지표의 기본 개념과 직관을 이해하고 실제 적용 방법을 배웁니다.
미국 주식 시장의 데이터를 사용하여 필수 거래 지표 생성
녹화된 세션은 가치 있는 거래 규칙을 추출하기 위해 거래에서 의사 결정 트리 모델을 활용하는 방법에 대해 자세히 설명합니다. 이러한 규칙은 유가 증권을 사고 팔 때 정보에 입각한 결정을 내리기 위한 기초 역할을 합니다.
비디오를 통해 참가자는 다음에 대한 지식을 습득하게 됩니다.
인공 지능(AI)과 Python 프로그래밍 언어를 활용하여 주식 시장의 추세 예측
통찰력을 얻기 위해 데이터를 효과적으로 시각화
의사 결정 트리 모델을 사용하여 미래 수익을 기반으로 거래 규칙 구성
예측변수와 목표변수의 이해, 각 기술지표의 근거를 이해하고 이를 효과적으로 구현
다양한 거래 지표 탐색
필요한 트레이딩 지표 개발을 위해 미국 주식 시장의 실제 데이터에 학습한 개념 적용
이 웨비나를 충분히 활용하려면 참석자는 다음을 소지해야 합니다.
AI 및 기계 학습 관련 기술 지식
거래 경험
주식 시장과 그 역학에 대한 확실한 이해
변수와 관련하여 이 맥락에서 예측 변수는 시장 추세를 예측하는 데 사용되는 기술 지표를 나타냅니다. 반면 목표 변수는 다음 날의 예상 추세, 구체적으로 양수인지 음수인지를 나타냅니다.
Quantitative Portfolio Management의 부사장인 Prodipta Ghosh는 금융 시장의 불확실성, 시간이 지남에 따라 시장의 역동적인 특성 및 다양한 목표로 인해 주식 거래에 대한 만병통치약 전략은 없다고 강조합니다. 그리고 개인의 위험 성향. 그는 세계에 대한 완벽한 비전이나 모델이 있더라도 각 개인이 고유한 맥락에서 운영되기 때문에 트레이더의 질문에 답을 제공하는 것은 불가능할 것이라고 강조합니다. 따라서 세상 누구에게나 완벽한 전략은 존재하지 않습니다.
프레젠테이션 중에 Prodipta Ghosh는 네 가지 정량적 포트폴리오 관리 전략에 대해 자세히 설명합니다. 이러한 전략에는 볼린저 밴드 활용, 간단한 이동 평균 교차 전략 사용, 도지 캔들스틱 패턴 분석, 상대 강도 지수(RSI) 통합이 포함됩니다. 높은 샤프 비율은 이론적으로 최상의 전략을 제안할 수 있지만 과거 실적이 항상 미래 결과를 보장하는 것은 아닙니다. 따라서 위험을 완화하고 심각한 손실을 방지하기 위해 다양한 전략과 자산을 포함하는 포트폴리오를 구성하는 것이 중요합니다. Ghosh는 4가지 전략 모두에 자본을 균등하게 할당하는 이점을 보여주면서 어떻게 다각화된 포트폴리오가 시장 변동성을 견디고 상당한 손실을 방지할 수 있는지 보여줍니다.
Prodipta Ghosh는 포트폴리오 관리의 기초에 대해 설명하고 단일 주식에 대한 투자와 구별합니다. 포트폴리오 관리에는 위험, 불확실성, 시간 경과 및 특정 상황을 고려하여 여러 전략 또는 자산에 대한 전략 개발이 수반됩니다. 전략의 가치는 기본 수익에 포지션을 곱한 값에서 파생되는 반면, 포트폴리오 값은 기본 수익의 가중 스트림에 의해 결정됩니다. 포트폴리오 관리를 최적화하기 위해 포트폴리오 값 P에 의존하는 함수 U를 정의하고 U를 최대화하는 가중치 W를 찾아 수학적 문제를 해결합니다. 평균 분산 최적화, Kelly 최적화 및 위험 패널티와 같은 다양한 최적화 전략 U가 정의되는 방식과 최적화 접근 방식에 따라 최적화를 사용할 수 있습니다.
연사는 양적 포트폴리오 관리 전략과 프로세스에서 최적화 문제의 역할에 대해 논의합니다. 그는 포트폴리오의 범위 제한과 같은 최적화 문제에서 지정할 수 있는 다양한 제약 조건과 구성할 수 있는 포트폴리오 유형(알파 전략, 팩터 포트폴리오 또는 개별 주식 모음을 기반으로 하는 것을 포함)을 탐구합니다. 목적은 최대 가치 또는 포트폴리오 가치의 기능을 가진 포트폴리오를 초래하는 최대화 조건을 정의하는 것입니다. 또한 발표자는 특정 상황에 따라 다르며 오류 제곱에 대한 페널티가 있는 최적화 문제로 볼 수 있는 균등 가중치 포트폴리오가 합리적인지 여부에 대한 질문을 다룹니다.
Prodipta Ghosh는 포트폴리오 관리에서 위험과 효용의 개념을 깊이 파고들어 예상 수익과 위험을 추정하는 데 따르는 어려움을 강조합니다. 그는 위험을 최소화하면서 수익을 극대화하기 위한 접근 방식으로 현대 포트폴리오 이론과 2차 효용을 소개합니다. 화자는 인간의 의사 결정이 수학적 평균에서 어떻게 벗어날 수 있는지 설명하기 위해 세인트 피츠버그 패러독스의 예를 사용합니다.
효용과 위험의 관계는 건전한 포트폴리오를 구성하는 데 있어서의 중요성을 강조하는 Prodipta Ghosh에 의해 설명됩니다. 그는 위험 프리미엄의 개념을 보여줍니다. 이는 위험한 투자에서 예상되는 지불금 또는 수익과 개인이 특정 지불에 대해 기꺼이 수락하는 금액 간의 차이를 정량화합니다. 또한 그는 효용 함수가 추가 달러의 가치를 알려주는 부의 수학적 표현이며 적절한 투자 금액을 결정하는 데 도움이 된다고 설명합니다. 효용과 위험 사이의 상호 작용을 이해하면 투자자는 위험과 수익 사이의 균형을 이루는 포트폴리오를 개발할 수 있습니다.
연사는 투자에서 위험 회피의 개념에 대해 논의하며, 이는 투자자가 수익률 변동이 있는 투자보다 특정 투자를 선호함을 시사합니다. 위험 회피는 그리스 문자 Pi로 표시되는 위험 프리미엄과 함께 정량적 포트폴리오 관리에서 일반적인 가정으로 사용됩니다. 이 프리미엄은 투자자가 제로 평균 변동 수익률을 수용하기 위해 지불할 용의가 있는 금액을 나타냅니다. 그런 다음 연사는 2차 효용 함수와 그것이 포트폴리오의 평균 및 분산을 최적화하는 방법을 설명합니다. Modern Portfolio Theory를 기반으로 포트폴리오를 구축하려면 포트폴리오의 평균과 분산 사이의 균형을 찾아야 합니다.
Prodipta Ghosh는 평균과 분산 간의 균형을 유지함으로써 기대 포트폴리오 효용을 최적화하는 과정을 설명합니다. 그는 Excel을 사용하여 다양한 자산의 수익을 시뮬레이션하고 공분산 행렬을 계산한 다음 다양한 가중치를 기반으로 포트폴리오 수익, 분산 및 위험을 결정하는 데 활용합니다. 가중치를 변경하고 가능한 모든 시나리오에 대한 포트폴리오 수익 및 분산을 계산하여 최적화 문제를 해결할 수 있습니다. 결과 플롯은 각 가중치 세트에 대한 위험 대비 수익률을 나타내는 샤프 비율을 보여줍니다.
현대 포트폴리오 이론에서 효율적 프론티어의 개념은 Prodipta Ghosh에 의해 도입되었습니다. 그는 효율적 프론티어를 주어진 위험 허용 범위를 기준으로 최대 수익을 달성하기 위해 포트폴리오가 놓여야 하는 범위라고 설명합니다. 그는 무위험 자산과 같은 저위험 자산을 추가하면 개념에 흥미로운 차원이 추가된다고 설명합니다. 가장 높은 샤프 비율은 무위험 자산과 효율적인 프론티어를 결합하여 형성된 포트폴리오인 탄젠트 포트폴리오에서 식별됩니다. 0과 탄젠트 포트폴리오를 연결하는 선을 시장선이라고 하며, 배분을 정의하면서 시장 포트폴리오에 투자하거나 무위험 자산을 선택하는 것 사이의 선택을 제시합니다.
Prodipta Ghosh는 독립형 위험이 아닌 시장 포트폴리오에 대한 기여도를 측정하여 금융 위험의 관점을 바꾸는 자본 자산 가격 책정 모델(CAPM)에 대해 자세히 설명합니다. CAPM은 무위험 수익률에 시장 수익률과 무위험 수익률의 차이를 곱한 위험 측면에서 시장 포트폴리오에 대한 기여도를 더한 것으로 계산되는 위험 자산에 대한 필수 수익률을 포착합니다. 이 개념은 가치 투자를 위한 이론적 토대를 제공합니다. 할인된 현금 흐름 및 압축 모델과 같은 다양한 모델을 통해 투자자는 CAPM을 사용하여 공정한 가격을 추정하고 고유한 위험에 대한 더 나은 이해를 활용할 수 있습니다.
연사는 팩터 투자에 중점을 둔 다양한 포트폴리오 관리 전략에 대해 논의합니다. 팩터 투자는 포트폴리오를 구성할 때 단순한 시장 위험을 넘어 다양한 위험 요소를 고려하는 것입니다. 각 팩터에는 이와 관련된 프리미엄이 있으므로 팩터 할당, 팩터 타이밍 또는 가치 투자 및 주식 선택으로의 복귀를 포함하여 다양한 투자 스타일로 이어집니다. 팩터 투자는 고유한 위험을 설명하는 데 도움이 되며 알파와 베타에 대한 새로운 해석을 제공합니다. 여기서 방정식의 델타 F가 시불변이고 양수이면 알파와 베타가 전체 알파가 됩니다.
Prodipta Ghosh는 가치 투자와 팩터 투자의 주요 차이점을 강조하고 소매 거래자에게 어떤 접근 방식이 더 적합한지 고려합니다. 그는 가치 투자에는 개별 기업에 대한 광범위한 조사가 필요하고 종종 소규모 소매 거래자에게는 적합하지 않을 수 있는 특이한 위험에 집중되는 것을 수반한다고 지적합니다. 반면에 팩터 투자는 위험의 시장 동인을 조사하고 이를 체계적으로 활용하여 예상 수익에 따라 투자를 할당합니다. 연사는 재량적 연구와 정량적 연구의 차이점에 대해 간략하게 언급하면서 정량적 관리가 올바르게 활용된다면 더 많은 성과를 낼 수 있는 기회를 제공할 수 있다고 말했습니다.
연사는 가치 투자자와 퀀트 전략가를 비교하면서 가치 투자자는 성공 확률이 낮지만 상당한 수익을 창출할 수 있는 잠재력이 있다는 점에 주목합니다. 반면에 퀀트 전략가는 성공 확률이 높지만 상대적으로 낮지만 일관된 수익을 창출합니다. 투자의 기본 법칙은 정보 비율을 포트폴리오의 위험으로 나눈 초과 성과의 비율로 설명하며 정보 계수 또는 기술 수준에 n의 제곱근을 곱한 것과 같습니다. 여기서 n은 가능한 독립적인 베팅 수를 나타냅니다. 정량적 투자자는 더 많은 수의 n을 가질 수 있으므로 팩터 포트폴리오를 최적화할 수 있습니다. Ghosh는 또한 KD 최적화 또는 위험 패리티 최적화와 같은 다른 최적화 방법에 대해 자세히 설명합니다. 이는 부를 축적하여 여러 기간에 걸쳐 최종 자산을 최대화하는 것을 목표로 합니다.
Prodipta Ghosh는 계속해서 Kelly 포트폴리오 전략에 대해 논의하면서 최종 부를 극대화하는 데 중점을 두기 때문에 장기적으로 우위를 점할 것이라고 강조합니다. 그러나 그는 Kelly 전략이 위험 측면에서 가장 공격적이며 은퇴자나 단기 위험을 감당할 수 없는 개인에게는 적합하지 않을 수 있다고 경고합니다. 그는 또한 개별 위험 기여도를 균등화하고 모든 자산의 위험 합계가 균형을 유지하도록 하는 것을 목표로 하는 위험 패리티 전략에 대해 설명합니다. 이 접근법에 대한 이론적 정당성은 없지만 합리적인 위험 할당으로 간주됩니다. Kelly 전략, 위험 패리티 및 평균 분산 최적화 중에서 결정할 때 요인 모델링을 통해 향상될 수 있는 위험 성향과 모델링의 정확성을 고려해야 합니다. 궁극적으로 이러한 전략은 위험을 효과적으로 측정하고 관리하는 데 중점을 두고 위험과 수익의 균형을 맞추는 데 중점을 둡니다.
Prodipta Ghosh는 계속해서 알파 전략의 주제와 이를 결합하여 균형 잡힌 포트폴리오를 만드는 방법에 대해 논의합니다. 알파 전략에 평균 분산 최적화를 사용할 수 있지만 포트폴리오의 모든 할당이 과거 데이터만을 기반으로 하는 단일 최상의 전략으로 이동하는 문제에 직면합니다. 이 문제를 해결하기 위해 Ghosh는 모든 전략에 동등한 투표가 주어지는 표본 내 전략의 개념을 도입합니다. 또 다른 접근 방식은 숨겨진 Markov 모델 또는 변경 지점 분석과 같은 변경 분석 기술을 사용하여 다양한 알파 전략 간에 자본을 할당하는 후회 전환 포트폴리오입니다. 주목할만한 기술 중 하나는 후회 없는 접근 방식으로, 각 알파 전략을 체계적으로 탐색하여 가장 큰 투자를 하기 전에 가장 잠재력이 큰 전략을 식별함으로써 탐색 대 착취 문제를 해결합니다.
Prodipta Ghosh는 Wikipedia와 Contra가 최근에 시작한 퀀트 포트폴리오 관리 과정과 같은 플랫폼을 포함하여 포트폴리오 최적화를 추가로 탐색할 수 있는 수많은 리소스가 있음을 강조합니다. 그는 대화형 자기 주도 학습 포털 및 무료 백테스팅을 제공하는 Blue Shift와 같은 Contra 프로그램을 통해 업계에서 학습 및 성장을 위한 몇 가지 기회를 언급합니다. Ghosh는 청중의 참여에 감사를 표하고 Contra 웹사이트를 방문하여 추가 정보와 리소스를 얻을 것을 권장합니다.
00:00:00 Quantitative Portfolio Management의 부사장인 Prodipta Ghosh는 금융 시장에 불확실성이 존재하고 시간이 지남에 따라 시장이 변화하고 개인마다 목표가 다르기 때문에 주식 거래에 만병통치약 전략은 없다고 설명합니다. 위험 식욕. 그는 세계에 대한 완벽한 비전이나 모델이 있더라도 모든 사람이 서로 다른 맥락을 가지고 있기 때문에 트레이더가 묻는 종류의 질문에 대한 답을 제시하는 것은 불가능할 것이라고 지적합니다. 따라서 세상에 완벽한 전략은 없습니다.
00:05:00 Prodipta Ghosh가 볼린저 밴드, 단순 이동 평균 교차 전략, 도지 캔들스틱 패턴 및 RSI(상대 강도 지수) 사용을 포함하여 네 가지 양적 포트폴리오 관리 전략에 대해 설명합니다. 이론적으로 최고의 전략은 샤프 비율이 높은 전략이지만 과거 성과가 항상 미래 결과를 보장하는 것은 아닙니다. 따라서 다양한 전략과 자산의 포트폴리오를 구축하는 것은 큰 손실을 피하고 위험을 완화하는 데 중요합니다. 네 가지 전략 모두에 자본을 균등하게 할당함으로써 Ghosh는 다각화된 포트폴리오가 어떻게 시장 변동성에 직면하여 상당한 손실을 피할 수 있는지 보여줍니다.
00:10:00 Prodipta Ghosh가 포트폴리오 관리의 기본 사항과 그것이 단일 주식에 투자하는 것과 어떻게 다른지 설명합니다. 포트폴리오 관리에는 위험과 불확실성, 시간의 흐름 및 맥락과 관련된 여러 전략 또는 자산에 대한 전략 수립이 포함됩니다. 전략의 가치는 기본 수익에 포지션을 곱한 값에 의해 결정됩니다. 반면에 포트폴리오 가치는 가중된 기본 수익 흐름입니다. 포트폴리오 관리는 포트폴리오 값 P의 함수인 함수 U를 정의하고 U를 최대화하기 위한 최대화 조건을 만족하는 가중치 W를 찾아 수학적인 문제를 해결합니다. U를 어떻게 정의하고 최적화를 하느냐에 따라 평균 분산 최적화, Kelly 최적화 및 위험 패널티 최적화와 같은 최적화 전략에 대한 다양한 가능성이 될 수 있습니다.
00:15:00 연사는 양적 포트폴리오 관리 전략과 최적화 문제가 어떻게 작용하는지에 대해 논의합니다. 그는 포트폴리오의 범위를 제한하는 것과 같이 최적화 문제에서 지정할 수 있는 제약 유형과 알파 전략, 요인 포트폴리오 또는 개인의 컬렉션을 기반으로 하는 것을 포함하여 구축할 수 있는 다양한 유형의 포트폴리오에 대해 이야기합니다. 주식. 목표는 최대 가치 또는 포트폴리오 가치의 함수로 포트폴리오를 생성하는 최대화 조건을 정의하는 것입니다. 연사는 또한 특정 상황에 따라 다르며 오류 제곱에 대한 페널티가 있는 최적화 문제로 생각할 수 있는 균등 가중치 포트폴리오가 의미가 있는지 여부에 대한 질문을 다룹니다.
00:20:00 Prodipta Ghosh가 포트폴리오 관리의 위험 및 효용 개념에 대해 설명합니다. 그는 예상 수익과 위험을 추정하는 것이 간단해 보일 수 있지만 실제로는 매우 까다로울 수 있다고 설명합니다. 그는 위험을 최소화하면서 수익을 극대화하는 것을 목표로 하는 현대 포트폴리오 이론과 2차 효용의 개념을 소개합니다. 그는 또한 세인트 피츠버그 패러독스의 예를 사용하여 인간이 항상 수학적 평균을 기반으로 결정을 내리는 것은 아니라는 점을 설명합니다.
00:25:00 Prodipta Ghosh가 유틸리티와 위험 간의 관계와 이들이 좋은 포트폴리오로 이어지는 방법을 설명합니다. 그는 위험 프리미엄의 개념을 보여줍니다. 이는 위험한 투자에서 예상되는 지불금 또는 수익과 특정 지불금에 대해 지불하고자 하는 금액의 차이를 측정합니다. 그는 또한 효용 함수가 1달러의 추가 가치를 알려주고 지불 금액을 결정하는 데 도움이 되는 부의 수학적 함수라고 설명합니다. 효용과 위험 간의 관계를 이해함으로써 투자자는 위험과 수익의 균형을 이루는 좋은 포트폴리오를 구축할 수 있습니다.
00:30:00 연사는 투자에서 위험 회피의 개념에 대해 논의합니다. 즉, 투자자는 변동하는 투자보다 특정 투자를 선호합니다. 위험 회피는 정량적 포트폴리오 관리에서 일반적인 가정이며 위험 프리미엄은 Pi라는 그리스 문자의 값으로, 투자자가 평균 변동이 없는 수익률을 수용하기 위해 지불할 용의가 있는 금액을 나타냅니다. 그런 다음 연사는 2차 효용 함수와 그것이 포트폴리오의 평균 및 분산을 최적화하는 방법을 설명합니다. Modern Portfolio Theory를 기반으로 포트폴리오를 구축하려면 포트폴리오의 평균과 분산 사이의 균형을 찾아야 합니다.
00:35:00 Prodipta Ghosh가 평균과 분산의 균형을 맞춰 예상 포트폴리오 효용을 최적화하는 과정을 설명합니다. 그는 Excel을 사용하여 다양한 자산의 수익을 시뮬레이션하고 공분산 행렬을 계산한 다음 다양한 가중치를 기반으로 포트폴리오 수익, 분산 및 위험을 계산하는 데 사용합니다. 가중치를 변경하고 가능한 모든 경우에 대한 포트폴리오 수익 및 분산을 계산하면 최적화 문제를 해결할 수 있습니다. 결과 플롯은 각 가중치 집합에 대한 수익 대 위험의 비율인 샤프 비율을 보여줍니다.
00:40:00 Prodipta Ghosh는 현대 포트폴리오 이론에서 효율적인 프론티어의 개념을 설명합니다. 그는 주어진 위험 허용 범위를 기반으로 최대 수익을 얻기 위해 포트폴리오가 놓여야 하는 영역이 어떻게 효율적 프런티어인지에 대해 설명합니다. 그는 무위험 자산과 같은 대출 위험 자산이 추가되면 개념이 더 흥미로워지고 탄젠트 포트폴리오에서 가장 높은 샤프 비율이 선택된다고 설명합니다. 그는 또한 접선 포트폴리오에 0을 연결하는 선을 시장 선으로 설명하고 이것이 어떻게 시장 포트폴리오 구매와 무위험 자산 구매 및 할당 정의 사이의 선택이 되는지 설명합니다.
00:45:00 Prodipta Ghosh가 CAPM(자본 자산 가격 책정 모델)에 대해 설명합니다. CAPM은 위험을 독립적인 위험이 아닌 시장 포트폴리오에 대한 기여로 측정하여 금융 위험의 개념을 바꿉니다. CAPM은 수학적 방정식을 사용하여 위험 자산에 필요한 수익률을 포착합니다. 이는 무위험 수익률에 시장 수익률과 무위험 수익률의 차이를 곱한 위험 측면에서 시장 포트폴리오에 대한 기여도를 더한 것입니다. 반품. 이 개념은 가치 투자에 대한 이론적 근거를 제공합니다. 할인된 현금 흐름 및 압축 모델을 포함한 다양한 모델을 통해 투자자는 CAPM을 사용하여 공정한 가격을 추정하고 고유한 위험에 대한 더 나은 이해를 활용합니다.
00:50:00 Prodipta Ghosh가 팩터 투자를 중심으로 다양한 포트폴리오 관리 전략에 대해 논의합니다. 팩터 투자는 포트폴리오를 만들 때 단순한 시장 위험이 아닌 여러 위험 요소를 고려하는 것을 포함합니다. Ghosh는 각 팩터에는 관련 프리미엄이 있으며 이는 팩터 할당, 팩터 타이밍 또는 모든 것이 풀린 경우 단순히 가치 투자 및 주식 선택으로 돌아가는 등 다양한 투자 스타일로 이어진다고 설명합니다. 팩터 투자는 고유한 위험을 설명하는 데 도움이 되며 알파와 베타에 대한 새로운 해석을 제공합니다. 방정식의 델타 F가 시불변이고 베타와 함께 양수이면 알파와 베타가 총 알파가 됩니다.
00:55:00 Prodipta Ghosh가 가치 투자와 팩터 투자의 주요 차이점과 어느 것이 소매 거래자에게 더 적합한지 논의합니다. Ghosh는 가치 투자에는 개별 회사에 대한 높은 수준의 연구가 필요하며 일반적으로 소규모 소매 거래자에게는 적합하지 않을 수 있는 특이한 위험에 집중되어 있다고 말합니다. 반면에 팩터 투자는 위험의 시장 요인을 조사하고 예상 수익을 기반으로 투자를 할당하는 요인을 체계적으로 조사합니다. Ghosh는 또한 재량적 연구와 정량적 연구의 차이점에 대해 간략하게 언급하면서 정량적 관리가 올바르게 사용된다면 더 많은 성과를 낼 수 있는 기회를 제공할 수 있다고 말했습니다.
01:00:00 Prodipta Ghosh가 가치 투자자와 양적 전략가의 차이점을 설명합니다. 가치 투자자는 성공 확률이 낮지만 멀티 배거를 생성할 수 있는 반면, 퀀트 전략가는 성공 확률이 높지만 상대적으로 낮지만 일관된 수익을 창출합니다. 투자의 기본 법칙은 정보 비율을 포트폴리오의 위험으로 나눈 초과 성과의 비율로 설명합니다. 이는 정보 계수 또는 기술 수준에 n의 제곱근을 곱한 것과 같습니다. 여기서 n은 취할 수 있는 독립적인 베팅의 수입니다. 결과적으로 양적 투자자는 더 많은 수의 n을 가질 수 있으며 이것이 그들이 공장 포트폴리오를 최적화할 수 있는 이유입니다. 게다가 Ghosh는 KD 최적화 또는 위험 패리티 최적화와 같은 다른 최적화 방법에 대해 설명합니다. 이 방법은 부를 축적하여 여러 기간에 걸쳐 최종 자산을 최대화하려고 합니다.
01:05:00 연사는 Kelly 포트폴리오 전략과 최종 부를 극대화하는 데 중점을 두기 때문에 장기적으로 지배력을 설명합니다. 그러나 위험 측면에서도 가장 공격적이어서 퇴직자나 단기 위험을 감당할 수 없는 사람들에게는 적합하지 않습니다. 연사는 또한 개별 위험 기여도를 동일시하고 모든 자산의 위험 합계가 동일해야 하는 위험 패리티 전략에 대해 논의합니다. 이에 대한 이론적 근거는 없지만 합리적인 위험 할당으로 간주됩니다. Kelly, 위험 패리티 및 평균 분산 최적화 중에서 결정할 때 위험 성향과 모델링의 정확도를 고려해야 하며 요인 모델링을 사용하여 개선할 수 있습니다. 이러한 전략은 위험을 측정하고 관리하는 데 중점을 두고 위험과 수익의 균형에 관한 것입니다.
01:10:00 발표자는 알파 전략의 주제와 이를 결합하여 좋은 포트폴리오를 만드는 방법에 대해 논의합니다. 평균 분산 최적화는 알파 전략에 사용할 수 있지만 포트폴리오의 모든 할당이 과거 데이터를 기반으로 하는 단일 최상의 전략으로 이동하는 문제가 있습니다. 이 문제를 해결하는 한 가지 방법은 모든 전략이 동등한 투표권을 갖는 표본 내 전략을 사용하는 것입니다. 또 다른 접근 방식은 숨겨진 Markov 모델 또는 변경 지점 분석과 같은 변경 분석 기술을 사용하여 서로 다른 알파 전략 간에 자본을 할당하는 후회 전환 포트폴리오입니다. 하나의 특정 기술은 후회 없음이라고 하며 탐색 대 착취 문제입니다. 목표는 각 알파 전략을 탐색하고 어떤 전략이 가장 잠재력이 있는지 파악한 후 본격적으로 적용하는 것입니다.
01:15:00 연사는 익스플로잇과 탐색의 균형을 맞추기 위한 학습 속도와 지수 가중치 사용을 포함하여 포트폴리오 최적화에 대한 다양한 접근 방식에 대해 논의합니다. 그는 또한 Wikipedia와 Contra가 최근에 시작한 퀀트 포트폴리오 관리 과정을 포함하여 이 주제에 대해 사용할 수 있는 많은 리소스가 있다고 언급합니다. 또한 발표자는 Contra의 프로그램을 통해 업계에서 학습 및 성장을 위한 여러 기회에 대해 이야기합니다. 여기에는 대화형 자기 주도 학습 포털과 무료 백테스팅을 제공하는 블루 시프트가 포함됩니다. 그는 청중의 참여에 감사를 표하고 Contra의 웹사이트를 방문하여 더 많은 정보를 얻을 것을 권장하며 마무리합니다.
신사숙녀 여러분, Elle Foam Advisory의 공동 설립자인 Nathan을 소개합니다. 그는 매혹적인 알고리즘 트레이딩 세계에 대한 귀중한 통찰력을 공유할 것입니다. Nathan은 알고리즘 거래를 정의하고 금융 산업에서 그 중요성을 강조하면서 프레젠테이션을 시작합니다. 그는 알고리즘 거래가 컴퓨터 알고리즘을 사용하여 거래를 자동으로 실행하는 것과 관련이 있으며 현대 시장에서 중요한 역할을 한다고 설명합니다.
Nathan은 계속해서 알고리즘 거래의 진화하는 특성과 그 정의가 지리적 위치 및 규제 프레임워크에 따라 어떻게 달라질 수 있는지에 대해 논의합니다. 미국에서는 모든 형태의 체계적인 거래가 알고리즘 거래의 범주에 속합니다. 그러나 다른 지역에서는 컴퓨터 알고리즘이 주문 매개변수를 자율적으로 결정할 때 특별히 알고리즘 거래로 간주됩니다. 이러한 구분은 해당 분야의 다양한 접근 방식과 관점을 강조합니다.
그런 다음 연사는 알고리즘 거래의 현재 업계 동향에 대해 설명합니다. 그는 알고리즘 전략을 활용하는 DIY(Do-It-Yourself) 트레이더의 증가하는 확산을 강조합니다. 또한 Nathan은 아시아, 미국 및 인도에서 알고리즘 거래의 상당한 시장 점유율 성장을 보여주는 데이터를 제시합니다. 이러한 성장에도 불구하고 그는 알고리즘 거래에 대한 소매 참여가 상대적으로 낮다는 점을 인정하고 다음 슬라이드에서 이 현상을 설명하겠다고 약속합니다.
앞으로 Nathan은 직업 시장에 대한 알고리즘 거래의 영향을 탐구합니다. 그는 자동화가 어떻게 인간 트레이더를 대체하는지 설명하고 기업은 이제 정교한 트레이딩 전략을 개발하고 기계의 힘을 활용할 코더를 찾고 있습니다. 연사는 가동 시간, 반응 시간, 확장성, 학습 및 개선 능력과 같은 인간 거래에 비해 기계 거래의 4가지 주요 이점을 강조합니다. 기계는 지속적으로 위험을 모니터링하고, 거래를 신속하게 실행하고, 시장 변화에 효율적으로 적응하고, 인간 거래자보다 더 효과적으로 경험을 통해 학습할 수 있습니다.
알고리즘 거래에 대한 낮은 소매 참여를 언급하면서 Nathan은 이러한 불일치에 대한 몇 가지 이유를 설명합니다. 첫째, 알고리즘 거래는 금융 및 시장 역학에 대한 확실한 이해와 함께 코딩 및 통계를 포함한 기술 지식의 조합이 필요합니다. 둘째, 관련 시장 데이터에 대한 액세스는 강력한 전략을 백테스팅하고 개발하는 데 매우 중요합니다. 마지막으로 수동 거래에서 알고리즘 거래로의 전환은 해당 분야의 실무 전문 지식을 보유한 숙련된 시장 실무자의 지도 없이는 어려울 수 있습니다. 이러한 장애물에도 불구하고 Nathan은 확장성, 효과적인 위험 관리 및 인적 오류 제거와 같은 알고리즘 거래의 부인할 수 없는 이점을 강조하여 트레이더에게 매력적인 옵션이 되도록 합니다.
그런 다음 Nathan은 청중에게 Point Density에서 제공하는 EPAct 과정을 소개합니다. 그는 시장 실무자의 지침, 기술 지식 및 최신 콘텐츠를 포함하여 알고리즘 거래에 대한 포괄적인 지원을 제공하는 플랫폼을 찾는 어려움에 대해 설명합니다. EPAct 과정은 최신 트렌드를 반영하도록 지속적으로 업데이트되는 업계 전문가가 만든 풍부한 콘텐츠를 제공함으로써 이러한 격차를 해소하는 것을 목표로 합니다. 이 과정은 또한 교수진의 전담 지원을 제공하고 시장 지향적 접근 방식을 채택하여 알고리즘 거래를 시작하는 초보자와 이 분야에서 경력을 발전시키려는 사람들 모두에게 이상적인 리소스입니다.
과정 내용에 대해 자세히 설명하면서 Nathan은 알고리즘 거래 프로그램에서 다루는 모듈을 간략하게 설명합니다. 이 과정은 기본 통계, 확률 이론 및 재무 모델 응용으로 기초를 설정하는 입문서 모듈로 시작됩니다. 그런 다음 복잡한 전략을 이해하는 데 사용되는 가우시안 모델을 포함하여 Python 기본 및 고급 통계를 다루도록 진행됩니다. 이 과정에는 이력서 작성, 개인 트레이딩 데스크 설정, 100개 이상의 파트너 회사와의 배치를 위한 모의 인터뷰 실시에 대한 세션도 포함됩니다. 코스 전반에 걸쳐 강사는 학생에게 개인 지원을 제공하여 질문이나 어려움이 즉시 해결되도록 합니다. 또한 EPAct 과정에 참여하면 다음 섹션에서 자세히 설명할 커뮤니티 이벤트 및 기능에 대한 액세스를 포함하여 독점적인 혜택이 부여됩니다.
프레젠테이션을 계속하면서 Nathan은 알고리즘 트레이딩 과정 내의 각 모듈에 대해 자세히 설명합니다. 이 과정은 빌딩 블록 모듈로 시작하여 주식 효과 및 미래 전략을 이해하기 위한 기초를 설정합니다. 학생들은 다양한 거래 전략을 만들기 위해 실습에 참여합니다. 그런 다음 이 프로그램은 시장 미세 구조 및 구현을 탐구하고 다양한 API 및 브로커를 사용하여 과거 데이터에 대한 백테스팅 아이디어의 복잡성을 탐구합니다. 기계 학습은 또한 알고리즘 거래 내에서 새로운 분야로 소개됩니다. 알고리즘 거래 인프라 설정에 중점을 둔 전용 모듈을 통해 거래 및 전면 운영의 중요성이 강조됩니다. 이 과정은 옵션 거래, 포트폴리오 최적화 및 위험 관리도 다룹니다. 마지막으로 학생들은 프로젝트를 수행하고 성공적으로 시험에 통과하면 검증된 인증서를 받아 알고리즘 거래에 대한 전문성을 검증합니다.
그런 다음 Nathan은 청중의 관심을 QuantInsti에서 제공하는 알고리즘 거래 프로그램으로 전환합니다. 그는 프로그램을 완료하면 참가자가 포괄적인 300시간 이상의 과정을 완료한 후 검증된 영향 인증서를 받는다고 강조합니다. 교수진에는 접근하기 쉽고 다양한 자산 클래스 및 역할에 대한 실무 경험을 제공하는 업계의 저명한 전문가가 포함되어 있습니다. 이 과정은 원활한 구현을 위해 CV 준비에서 API 및 브로커 네트워크에 대한 액세스 제공에 이르기까지 다양한 측면을 다룹니다. 또한 QuantInsti 팀은 참가자에게 자금 조달 기회를 제공하여 알고리즘 거래에 대한 포괄적인 교육을 원하는 사람들에게 이상적인 선택이 되도록 합니다.
Nathan의 토론에 이어 Nadine이 무대에 올라 청중에게 EPAT 커뮤니티의 일원이 되면 얻을 수 있는 이점에 대해 설명합니다. 그녀는 165개국 이상에서 온 동료 학생들과 연결할 수 있는 기회뿐만 아니라 지역 사회 구성원이 사용할 수 있는 평생 지도를 강조합니다. 독점 이벤트 및 세션, 브로커에 대한 무료 및 보조 액세스, BlueShift와 같은 백테스팅 도구에 대한 액세스는 커뮤니티의 특권 중 하나입니다. 또한 EPAT는 개인의 기존 기술 세트에 근본적인 양적 차원을 추가하여 전문적인 프로필을 향상시킵니다. 특히, EPAT 프로그램은 금융 교육 제도에 따라 인정되며 싱가포르의 실무 전문가는 2,000싱가포르 달러의 환급 혜택을 받을 수 있습니다.
프레젠테이션을 마치면서 Ben Magnano가 알고리즘 거래에 대한 개인적인 여정을 공유합니다. 그는 2005년에 QuantInsti를 설립하여 퀀트 및 알고리즘 트레이딩 기초에 대한 엄격한 교육을 받을 때까지 데이 트레이딩과의 초기 투쟁에 대해 이야기합니다. Ben은 Python을 배우고 자신의 프로그램을 작성할 수 있는 능력의 중요성을 강조하여 결국 퀀트 트레이더 자격증을 취득했습니다. 이 성과는 그에게 문을 열어주었고 WorldQuant에서 연구 컨설턴트로서 계속해서 코딩 기술을 연마하고 인공 지능과 같은 최신 산업 동향에 대한 최신 정보를 얻을 수 있는 기회를 제공했습니다.
비디오의 마지막 순간에서 발표자는 알고리즘 거래의 엄청난 성장과 지속적인 모니터링의 필요성을 최소화하려는 거래자들이 알고리즘 거래를 점점 더 선호하고 있음을 인정합니다. 발표자는 발표자가 제공한 뛰어난 분석에 대해 감사를 표하며 프레젠테이션 전반에 걸쳐 공유된 귀중한 통찰력을 인정합니다. 비디오가 끝날 때 발표자는 참가자가 양적 및 핀테크 도메인에서 업계에 준비된 기술을 갖추도록 설계된 ePAD 프로그램을 요약하여 알고리즘 트레이딩 분야에서 성공할 수 있도록 잘 준비되도록 합니다.
00:00:00 이 섹션에서는 호스트가 알고리즘 거래에 대해 논의할 Elle Foam Advisory의 공동 창립자 Nathan을 소개합니다. Nathan은 알고리즘 거래가 무엇이며 왜 중요한지 정의하는 것으로 시작합니다. 그는 또한 업계 동향과 알고리즘 트레이딩의 경력 전망에 대해서도 이야기합니다. 마지막으로 Nathan은 개인이 알고리즘 거래를 시작하거나 경력을 쌓는 데 Quantity 프로그램이 어떻게 도움이 되는지 설명합니다. 그는 발표가 진행되는 동안 청중의 질문에 대답할 것임을 청중에게 확신시키면서 결론을 내립니다.
00:05:00 이 섹션에서 발표자는 알고리즘 거래의 정의와 그것이 지리 및 규정에 따라 어떻게 다른지에 대해 논의합니다. 미국에서는 체계적 거래가 알고리즘 거래로 간주되는 반면, 다른 지역에서는 컴퓨터가 주문 매개변수를 자동으로 결정하는 경우에만 알고리즘 거래로 간주될 수 있습니다. 발표자는 알고리즘 거래가 빠르게 진화하고 있으며 DIY 거래자가 수행하는 거래의 증가에 기여했다고 지적합니다. 발표자는 또한 아시아, 미국 및 인도에서 알고리즘 거래의 시장 점유율이 크게 증가했음을 보여주는 데이터를 제시하지만 알고리즘 거래에 대한 소매 참여는 여전히 낮습니다. 발표자는 다음 슬라이드에서 이것이 왜 그런지 설명하겠다고 약속합니다.
00:10:00 이 섹션에서 연사는 알고리즘 트레이딩의 부상과 그것이 직업 시장에 미치는 영향에 대해 논의합니다. 그는 알고리즘 트레이딩이 어떻게 자동화되고 인간 트레이더를 대체하는지, 그리고 회사가 현재 전략을 개발하고 기계 거래를 허용하기 위해 코더를 고용하는 방법을 설명합니다. 연사는 가동 시간, 반응 시간, 확장성, 학습 및 개선 능력과 같은 인간 거래에 비해 기계 거래의 네 가지 주요 이점을 강조합니다. 그는 기계가 인간 거래자보다 위험을 모니터링하고, 거래를 하고, 시장 변화에 더 빠르고 효율적으로 대응할 수 있다고 주장합니다.
00:15:00 이 섹션에서 발표자는 알고리즘 거래에 대한 소매 참여가 인기와 이점이 증가함에도 불구하고 여전히 낮은 이유에 대해 논의합니다. 첫째, 알고리즘 거래는 금융 및 시장에 대한 이해와 더불어 코딩, 통계 등의 기술적 지식이 필요합니다. 둘째, 백테스팅 및 전략 개발을 위해 관련 시장 데이터에 액세스하는 것이 중요합니다. 마지막으로 수동 거래에서 알고리즘 거래로의 전환은 현장 경험이 있는 시장 실무자의 지도 없이는 어려울 수 있습니다. 그럼에도 불구하고 확장성, 위험 관리 및 인적 오류 제거와 같은 알고리즘 거래의 이점은 거래자에게 매력적인 옵션입니다.
00:20:00 이 섹션에서 연사는 알고리즘 거래에 관심이 있는 사람들을 위해 Point Densitiy의 EPAct 과정을 사용할 때의 이점에 대해 논의합니다. 그들은 시장 실무자의 지침, 기술 지식 및 업데이트된 콘텐츠와 같은 알고리즘 거래에 필요한 구성 요소를 결합하는 플랫폼을 찾는 것이 어렵다는 점을 강조합니다. EPAct 과정은 시장 실무자가 구축하고 현재 추세를 반영하도록 지속적으로 업데이트되는 풍부한 콘텐츠를 제공함으로써 이러한 격차를 해소하는 것을 목표로 합니다. 또한 이 과정은 교수진의 전담 지원과 시장 지향적 접근 방식을 제공하므로 알고리즘 거래를 시작하거나 해당 분야에서 경력을 쌓고자 하는 사람들에게 훌륭한 리소스가 됩니다.
00:25:00 이 섹션에서 발표자는 알고리즘 거래에 대한 과정과 과정에서 다루는 내용에 대해 논의합니다. 이 과정은 다양한 배경을 가진 학생들이 기본 통계, 확률 이론 및 금융 모델의 응용으로 기초를 만들 수 있는 입문서 모듈로 시작합니다. 이 과정은 더 복잡한 전략을 이해하는 데 사용되는 가우스 모델과 같은 Python 기본 및 고급 통계로 이동합니다. 이 과정에는 또한 이력서 작성, 트레이딩 데스크 설정, 100개 이상의 파트너 회사와의 배치를 위한 모의 인터뷰 수행이 포함됩니다. 코스 강사는 질문이나 어려움이 있는 학생에게 개인적으로 도움을 주어 의심이 해소되도록 합니다. 발표자는 또한 커뮤니티 이벤트 및 기능과 같은 글로벌 알고리즘 거래 커뮤니티에 가입할 때 얻을 수 있는 독점적인 혜택에 대해서도 언급합니다. 이에 대해서는 이후 섹션에서 설명합니다.
00:30:00 이 섹션에서 발표자는 알고리즘 거래 과정을 구성하는 다양한 모듈에 대해 설명합니다. 이 과정은 빌딩 블록으로 시작하여 형평성 효과 및 미래 전략으로 이동하여 학생들이 실습 환경에서 다양한 전략을 생성하는 작업을 하게 됩니다. 시장 미세 구조 및 구현에 대해서도 논의한 후 다양한 API 및 브로커를 사용하여 과거 데이터에 대한 아이디어를 백테스팅하는 모듈이 이어집니다. 기계 학습은 새로운 분야에서도 탐구됩니다. 알고리즘 거래 인프라가 설정되는 방법을 다루는 모듈과 함께 거래 및 프론트 운영이 중요하게 강조됩니다. 이 과정에는 옵션 거래, 포트폴리오 최적화 및 위험 관리에 대한 모듈도 포함되어 있습니다. 마지막으로 학생들은 프로젝트를 수행하고 시험에 합격하면 검증된 인증서를 받습니다.
00:35:00 이 섹션에서 발표자는 QuantInsti에서 제공하는 알고리즘 트레이딩 프로그램에 대해 설명합니다. 이 프로그램은 300시간 이상의 과정을 마친 후 검증된 임팩트 인증서를 제공합니다. 교수진에는 접근하기 쉽고 다양한 자산 클래스 및 역할에 대한 실무 경험을 제공하는 업계에서 잘 알려진 이름이 포함됩니다. 이 과정에서는 CV 준비부터 API 및 브로커 네트워크에 대한 액세스에 이르기까지 모든 것을 다루어 쉽게 구현할 수 있습니다. 또한 QuantInsti 팀은 자금 조달을 지원하므로 알고리즘 거래 학습에 관심이 있는 사람들에게 이상적인 과정입니다.
00:40:00 이 섹션에서 Nadine은 평생 지도, 165개국 이상에서 온 학생들과 연결할 수 있는 능력, 독점 이벤트 및 세션, 브로커에 대한 무료 및 보조 액세스, BlueShift와 같은 백테스팅 도구 및 최신 업데이트 콘텐츠에 대한 평생 액세스. 또한 기존 기술 세트에 기본적인 양적 차원을 추가합니다. EPAT는 재정 교육 제도에 따라 인정되며 싱가포르에서 일하는 전문가에게 환급으로 2,000싱가포르 달러의 혜택을 제공합니다.
00:45:00 이 섹션에서는 Ben Magnano가 데이 트레이딩에 어려움을 겪던 2005년부터 시작된 알고리즘 트레이딩 여정에 대해 설명합니다. 그는 결국 QuantInsti를 찾았고 그곳에서 엄격한 교육과 교육을 통해 양적 및 알고리즘 거래의 기초와 기초를 소개받았습니다. 그는 파이썬을 배웠고 자신의 프로그램을 작성할 수 있었고 나중에 퀀트 트레이더 자격증을 받았습니다. 이로 인해 WorldQuant에서 연구 컨설턴트로 일할 수 있는 기회가 생겼고, 그는 여전히 코딩 스타일을 개선하고 인공 지능과 같은 최신 산업 동향에 대한 최신 정보를 얻기 위해 오늘도 WorldQuant와 함께 일하고 있습니다.
00:50:00 이 섹션에서 발표자는 알고리즘 거래 분야의 엄청난 성장과 하루 종일 거래를 보살피고 싶지 않은 거래자들이 점점 더 선호하는 방법이 되고 있는 방법에 대해 이야기합니다. 연사는 또한 이 비전을 현실로 가져온 양적 분석가에게 공로를 인정하고 발표자가 제공한 훌륭한 분석에 대해 감사를 표합니다. 비디오는 ePAD에 대한 간략한 요약으로 끝납니다. ePAD는 참가자들이 퀀트 및 핀테크 도메인에서 업계에 대비할 수 있도록 고안된 프로그램입니다.
Zura Kakushadze는 그의 논의에서 2,000개의 미국 주식 포트폴리오를 최적화하기 위한 공분산 행렬의 역 계산과 관련된 문제에 초점을 맞춥니다. 그는 수익률 시계열의 관찰 수가 포트폴리오의 주식 수보다 작을 때 샘플 공분산 행렬이 특이점이 되어 반전될 수 없다고 강조합니다. 특이하지 않더라도 상관 관계를 나타내는 비대각선 요소는 일반적으로 실제 응용 프로그램의 경우가 아닌 주식에 비해 상당히 많은 수의 관측값이 없는 한 매우 불안정한 표본 외 요소가 됩니다.
Kakushadze는 퀀트 거래 전략의 위험 모델이 보유 기간이 짧고 일시적인 알파로 인해 기존 위험 모델과 다르다고 설명합니다. 이러한 전략에는 긴 룩백 기간이 바람직하지 않으며 공분산 행렬을 계산하기 위한 대체 방법이 필요합니다. 일반적인 접근 방식 중 하나는 위험을 요인 위험과 특정 위험으로 분해하는 요인 모델을 사용하는 것입니다. 요인 모델의 장점은 훨씬 더 작은 요인 공분산 행렬로 큰 공분산 행렬을 나타내므로 계산 효율이 높다는 것입니다. 그러나 Kakushadze는 요인 모델에서 다루어야 할 복잡한 세부 사항이 여전히 있다고 지적합니다.
연사는 각 주식의 변동성 계산과 관련된 문제에 대해 더 논의하고 샘플 공분산 행렬이 아닌 샘플 상관 행렬에 초점을 맞출 것을 제안합니다. 표본 상관 행렬은 특이점, 불안정성 및 공분산 행렬과 관련된 기타 문제와 같은 문제로 인해 선호됩니다. Kakushadze는 왜곡된 분산을 제거하고 공분산 행렬 대신 상관 행렬에 대한 요인 모델을 사용할 것을 제안합니다. 위험 요소를 결정하는 문제가 발생하고 두 가지 가능성이 제안됩니다. 샘플 상관 행렬의 주요 구성 요소를 사용하거나 크기, 모멘텀 및 변동성과 같은 스타일 요소를 사용합니다.
스타일 요인과 산업 분류를 포함하여 양적 거래에 적합한 다양한 유형의 위험 요인을 탐색합니다. 연사는 거래와 관련된 짧은 수평 요인을 사용하고 더 긴 수평 요인을 제외하는 것의 중요성을 강조합니다. 위험 모델에서 우발적으로 바람직한 알파 인자를 중화시키는 위험에 대해서도 논의하며, 위험 인자의 신중한 선택과 가중의 필요성을 강조합니다.
Kakushadze는 공급업체에서 구입한 표준화된 위험 모델로는 바람직하지 않은 위험 요소를 제거하거나 거래자의 위험 공간의 모든 관련 방향을 다룰 수 없다고 설명합니다. 따라서 화자는 처음부터 맞춤형 위험 모델을 구축할 것을 제안합니다. 한 가지 접근 방식은 통계적 위험 모델을 사용하는 것인데, 여기에는 제한된 룩백 기간으로 시계열 수익률을 취하고 샘플 상관관계 매트릭스의 주요 구성 요소를 기반으로 요인 로딩을 생성하는 것이 포함됩니다.
유효 순위의 개념은 위험 요인으로 사용할 주성분의 수를 결정하는 방법으로 도입되었습니다. 유효 순위는 행렬의 유효 차원을 측정하며 스펙트럼 엔트로피를 사용하여 계산할 수 있습니다. 그러나 통계적 위험 모델은 관찰 수에 의해 제한되어 위험 공간의 범위가 제한되기 때문에 위험 요인의 수 측면에서 제한이 있습니다. 샘플 외의 더 높은 주성분의 불안정성도 우려 사항입니다.
표본 외 쌍별 상관 관계의 불안정성과 상관 행렬의 비대각선 요소에 대해 설명합니다. Kakushadze는 불안정한 상관 행렬에서 계산된 더 높은 주성분은 자주 업데이트되고 불안정한 반면 첫 번째 주성분은 상대적으로 안정적인 경향이 있다고 설명합니다. 연사는 또한 단기 보유 전략에 적합한 스타일 요소를 정의하는 방법을 탐구하고 일중 거래 전략에서 미결제 주식과 같이 통계적으로 유의하지 않은 상관 관계를 제거할 것을 제안합니다.
숏 호라이즌 퀀트 거래 모델에서 사용되는 네 가지 공통 요소인 방향(모멘텀), 변동성, 유동성 및 가격에 대해 설명합니다. Kakushadze는 각 요인이 정의되는 방법과 교차 단면 회귀를 사용하여 요인 수익률을 계산하는 방법을 설명합니다. 각 팩터 수익률에 대한 연간 샤프 비율의 계산은 거래 전략에 대한 통계적 관련성과 적합성을 결정하는 데 강조됩니다.
연사는 위험 모델링에서 요인 부하와 스타일 요인의 효과를 테스트하고 확인하는 것으로 이동합니다. 팩터 로딩을 사용하여 역사적 수익을 제거한 후 일중 거래 또는 잔차에 대한 짧은 알파 거래에 대한 백 테스트는 팩터 로딩을 테스트하는 한 가지 방법으로 제안됩니다. 스타일 요소와 비교하여 큰 섹터의 가치는 가장 세분화된 수준에서도 강조됩니다. 기본 산업 분류를 사용하여 산업 또는 하위 산업을 기반으로 위험 모델을 구성하는 것이 위험 공간의 더 많은 부분을 포함하므로 권장됩니다. 샘플 외 첫 번째 주성분의 안정성은 이러한 위험 모델의 효율성에 영향을 미칩니다.
많은 수의 하위 산업에 대한 요인 부하 매트릭스 구성이 논의되고 계층적 산업 분류가 솔루션으로 제안됩니다. 이 접근 방식은 먼저 하위 산업을 모델링한 다음 다음 세분화된 산업 수준을 사용하여 위험 요소를 모델링하고 문제가 적절하게 계산할 수 있는 더 작은 매트릭스로 축소될 때까지 계속됩니다.
퀀트 거래에 대한 위험 모델을 계산하기 위해 단계별로 문제를 줄이는 과정을 설명합니다. Kakushadze는 초기에 샘플 공분산 행렬에 대해 10 x 10과 같은 더 작은 크기의 요인 로딩 행렬을 계산하여 나머지 요인인 시장에 대한 단일 요인 모델을 구성합니다. 이렇게 하면 큰 행렬에서 더 작은 행렬로 문제가 줄어듭니다. 이 구성에 스타일 요소를 포함하는 것이 제안되지만 다양한 산업의 더 많은 위험 요소에 비해 기여도가 제한적일 수 있습니다. 스타일 요인은 주식 간의 상관 관계를 모델링하기 위한 이상적인 프록시가 아닐 수 있습니다.
스타일 요인의 정규화 과정에서 절편을 포함하는 것의 중요성에 대해 설명합니다. 화자는 일반적으로 스타일 요소로 사용되는 가격의 로그가 실제로 가격의 로그를 정규화 요소로 나눈 값임을 설명합니다. 정규화 계수는 경험적이며 거래자의 선호도에 따라 사용자 정의할 수 있습니다. 산업 기반 요인은 상관 관계를 모델링하기 위한 신뢰할 수 있는 프록시인 경향이 있지만 스타일 요인의 쌍선형 조합은 좋지 않은 프록시로 간주됩니다. 따라서 트레이더는 산업 기반 요소에 집중하고 트레이딩 스타일과 퀀트 트레이딩 알파에 따라 모델을 맞춤화하는 것이 좋습니다.
발표자는 요인 모델, 산업 분류 및 주요 구성 요소와 같은 강력한 아이디어를 위험 모델링에서 매우 효과적일 수 있는 구성으로 결합하는 이종증의 개념을 소개합니다. 클러스터링 기술은 또한 근본적인 산업 분류를 대체할 수 있는 다단계 클러스터링 체계를 사용하여 위험 요인을 구성하는 방법으로 논의됩니다. 그러나 비결정적 클러스터링 알고리즘은 실행될 때마다 다른 클러스터링을 생성하여 시스템에 노이즈를 유발할 수 있습니다. 노이즈를 줄이기 위해 많은 수의 클러스터링을 평균화하거나 차원 축소 또는 주성분 분석과 같은 다른 기술을 사용할 수 있습니다.
퀀트 거래 위험 모델의 클러스터링에 대한 다양한 접근 방식을 살펴봅니다. 연사는 k-평균 클러스터링이 비결정적일 수 있지만 계층적 클러스터링과 같은 결정론적 대안은 주관적이고 느릴 수 있다고 설명합니다. 화자는 클러스터링에만 의존하는 대신 통합을 위해 위험 모델 자체를 사용할 것을 제안합니다. k-평균의 경우 클러스터 중심의 초기화에서 비결정적 특성이 발생하지만 전역 최소값을 찾는 것이 항상 필요한 것은 아닙니다. 과거 수익률을 사용하는 순진한 접근 방식을 개선하기 위해 과거 변동성에 대한 수익률 정규화를 제안합니다.
클러스터 정규화 및 다단계 클러스터링은 퀀트 거래에 대해 논의됩니다. 포트폴리오 최적화 및 성과 향상을 위해 수익률을 2개의 표준 편차로 정규화하는 대신 수익률을 분산으로 나누어 클러스터링하는 것이 좋습니다. 다중 수준 클러스터링에 대한 두 가지 접근 방식이 제공됩니다. 상향식(가장 세분화된 수준이 먼저 생성된 다음 클러스터링 클러스터가 연속적으로 생성됨) 및 하향식(최소 세분화 수준이 먼저 생성된 후 티커 클러스터링이 연속적으로 생성됨)입니다. 계층적 알고리즘과 같은 비결정론적 알고리즘은 결정론적 알고리즘에 비해 성능면에서 유리하지 않으며, 화자는 클러스터링 및 집계 기법을 사용할 것을 제안합니다.
연사는 클러스터링 기반 위험 모델에서 클러스터 수를 결정하는 문제를 다룹니다. 팔꿈치 방법이나 실루엣 분석과 같은 전통적인 방법이 언급되지만 항상 신뢰할 수 있는 결과를 제공하는 것은 아닙니다. 대신 연사는 여러 클러스터링 솔루션을 만들고 결과 클러스터의 안정성을 측정하는 안정성 분석을 사용할 것을 제안합니다. 클러스터 쌍 안정성 또는 부트스트랩 안정성과 같은 기술을 사용하여 안정성을 평가할 수 있습니다.
Kakushadze는 불안정한 클러스터가 신뢰할 수 없는 위험 추정치로 이어질 수 있으므로 클러스터링 기반 위험 모델에서 안정성의 중요성을 강조합니다. 그는 위험 모델링에는 안정적인 클러스터를 사용하고 불안정한 클러스터는 폐기하거나 다른 클러스터와 결합하여 안정성을 개선해야 한다고 제안합니다. 화자는 또한 전통적인 클러스터링 방법의 대안으로 기계 학습 알고리즘을 사용하는 계층적 클러스터링과 같은 기계 학습 기술의 사용에 대해 언급합니다.
그런 다음 논의는 선택한 클러스터를 기반으로 한 위험 모델 구성으로 이동합니다. 화자는 요인 로딩을 추정하기 위해 각 클러스터 내의 샘플 상관 행렬을 사용할 것을 제안합니다. 각 군집의 표본 상관 행렬을 고유값과 고유벡터로 분해하면 요인 로딩을 얻을 수 있습니다. 전체 포트폴리오에 대한 요인 부하 매트릭스는 각 클러스터의 요인 부하를 결합하여 구성할 수 있습니다.
연사는 위험 기여도를 나타내기 위해 요인 로딩을 적절하게 정규화하는 것의 중요성을 강조합니다. 그는 위험 패리티를 달성하기 위해 요인 부하에 대한 가중치로 고유값의 역을 사용할 것을 제안합니다. 이렇게 하면 각 주식이 전체 포트폴리오 위험에 동등하게 기여합니다. 스타일 요인 또는 산업 기반 요인과 같은 추가 요인을 포함하여 위험 모델을 더욱 강화할 수 있습니다.
Zura Kakushadze가 퀀트 트레이딩 전략을 위한 위험 모델을 구성하는 데 있어 어려움과 접근 방식에 대해 논의합니다. 그는 공분산 행렬의 특이점 및 불안정성과 같은 문제를 해결하고 적절한 위험 요소 및 클러스터링 기술을 선택하는 것의 중요성을 강조합니다. 요인 모델, 산업 분류 및 클러스터링을 결합하여 트레이더는 포트폴리오의 위험 특성을 효과적으로 포착하는 맞춤형 위험 모델을 구축할 수 있습니다.
00:00:00 발표자는 평균 분산 최적화 또는 샤프 비율 최대화와 같은 기술을 사용하여 2,000개의 미국 주식 포트폴리오를 최적화하기 위해 공분산 행렬의 역수를 계산하는 문제에 대해 논의합니다. 그는 수익률 시계열의 관측값 수가 포트폴리오의 주식 수보다 적으면 샘플 공분산 행렬이 특이하고 반전될 수 없다고 설명합니다. 그것이 특이하지 않더라도, 비대각선 요소(상관관계를 나타냄)는 관측값의 수가 포트폴리오의 주식 수보다 훨씬 크지 않는 한 매우 불안정한 표본 외 요소가 될 것입니다. 실제 응용 프로그램.
00:05:00 Zura Kakushadze가 양적 거래 전략의 위험 모델이 기존 위험 모델과 어떻게 다른지 설명합니다. 보유 기간이 짧고 일시적인 알파가 있는 경우 이러한 전략에는 긴 룩백 기간이 바람직하지 않으며 샘플 공분산 행렬을 대체해야 합니다. 이는 일반적으로 위험을 요인 위험과 특정 위험으로 분해하는 요인 모델을 통해 수행됩니다. 요인 모델은 훨씬 더 작은 요인 공분산 행렬로 큰 행렬을 모델링할 수 있어 계산 효율이 높다는 장점이 있습니다. 그러나 여전히 해결해야 할 사악한 세부 사항이 있습니다.
00:10:00 Zura Kakushadze는 각 주식의 변동성(시그마) 계산 문제에 대해 논의하고 표본 공분산 행렬이 아닌 표본 상관 행렬이 특이성, 불안정성 및 기타 특성으로 인해 모델링의 초점이 되어야 한다고 설명합니다. 문제. 그는 왜곡된 분산을 제거하고 공분산 행렬이 아닌 상관 행렬에 대한 요인 모델을 통해 모델링할 것을 제안합니다. 위험 요소가 무엇인지에 대한 질문이 제기되고 그는 샘플 상관 행렬의 주요 구성 요소 중 일부를 사용하거나 크기, 모멘텀, 변동성과 같은 주식의 측정된 속성인 소위 스타일 요소를 사용하는 두 가지 가능성을 제안합니다. 등.
00:15:00 Zura Kakushadze가 스타일 요인 및 산업 분류를 포함하여 양적 거래에 사용할 수 있는 다양한 유형의 위험 요인에 대해 논의합니다. 그는 숏 호라이즌 거래에서 더 긴 호라이즌 스타일 팩터를 사용하는 문제를 강조합니다. 왜냐하면 최적화에서 노이즈를 생성하고 뒤에 알파가 없는 추가 거래를 생성할 수 있기 때문입니다. 거래와 관련된 짧은 기간 요소에 집중하고 더 긴 기간 요소는 제외하는 것이 중요합니다. 또 다른 문제는 부주의한 알파 중화인데, 여기서는 롱이 바람직한 위험 모델의 요소가 무심코 중화될 수 있으므로 위험 요소의 선택과 가중치에 신중을 기해야 합니다.
00:20:00 발표자는 최적화된 위험 모델이 퀀트 트레이더가 오래 유지하기를 원하는 바람직한 알파 요인을 어떻게 중화할 수 있는지 설명합니다. 공급업체에서 구입한 표준화된 위험 모델은 요인 모델 또는 공분산 매트릭스에서 바람직하지 않은 위험 요소를 제거할 수 없으며 거래자의 위험 공간의 관련 방향을 다룰 수 없습니다. 따라서 화자는 맞춤형 위험 모델을 처음부터 새로 구축해야 한다고 제안합니다. 맞춤형 위험 모델을 구축하는 한 가지 방법은 통계적 위험 모델을 사용하는 것입니다. 여기에는 제한된 룩백 기간으로 시계열 수익률을 취하고 샘플 상관 행렬의 첫 번째 K 주성분을 기반으로 요인 부하를 생성하는 것이 포함됩니다.
00:25:00 Zura Kakushadze는 인자 적재 행렬에서 위험 인자로 사용할 주성분 수를 결정하는 방법으로 유효 순위에 대해 설명합니다. 유효 순위는 행렬의 유효 차원으로 정의되며 스펙트럼 엔트로피를 사용하여 계산하여 샘플 상관 행렬의 유효 차원을 결정할 수 있습니다. 통계적 위험 모델 사용의 한계는 위험 요소의 수가 관측치의 수에 의해 제한되어 위험 공간의 상대적으로 작은 부분이 포함된다는 것입니다. 샘플 외부의 불안정성은 샘플 상관 행렬의 더 높은 주성분과 관련된 문제이기도 합니다.
00:30:00 Zura Kakushadze는 샘플 외 쌍별 상관관계의 불안정성과 상관관계 매트릭스에서 비대각선 요소의 불안정성과 어떻게 관련되는지에 대해 이야기합니다. 그는 이 불안정한 상관관계 행렬에서 계산된 더 높은 주성분은 자주 업데이트되고 불안정한 반면 첫 번째 주성분은 상대적으로 안정적이라고 설명합니다. Kakushadze는 또한 시가 총액 및 가격 로그와 같은 단기 보유 전략과 관련된 스타일 요소를 정의하는 방법과 일중 거래 전략에서 알파와 통계적으로 유의하지 않은 상관 관계가 있으므로 미발행 주식을 떨어뜨릴 수 있는 방법에 대해 설명합니다.
00:35:00 Zura Kakushadze는 방향(모멘텀), 변동성, 유동성 및 가격과 같은 단기적 퀀트 거래 모델에 사용되는 네 가지 공통 요소에 대해 설명합니다. 그는 이러한 각 요인을 정의하는 방법과 횡단면 회귀를 사용하여 요인 수익률을 계산하는 방법을 설명합니다. Kakushadze는 또한 거래 전략에서 베팅에 대한 통계적 관련성과 적합성을 결정할 때 각 팩터 수익률에 대한 연간 샤프 비율 계산의 중요성을 강조합니다.
00:40:00 연사는 위험 모델링에서 요소 로드 및 스타일 요소의 효과를 테스트하고 확인하는 방법에 대해 논의합니다. 팩터 로딩을 테스트하는 한 가지 방법은 팩터 로딩을 사용하여 역사적 수익을 제거한 후 잔차에 대한 일중 거래 또는 짧은 알파 거래에 대한 백 테스트를 실행하는 것입니다. 연사는 또한 백 테스트에서 얻은 데이터를 제시하여 스타일 요소와 비교할 때 가장 작은 세부 수준에서도 큰 섹터의 가치를 강조합니다. 그런 다음 연사는 스타일 요인보다 위험 공간의 더 큰 덩어리를 다루기 때문에 Bix 또는 GICS와 같은 기본 산업 분류를 사용하여 산업 또는 하위 산업을 기반으로 위험 모델을 구성할 것을 제안합니다. 이러한 위험 모델의 효율성은 표본 외 첫 번째 주성분의 안정성에 따라 달라집니다.
00:45:00 Zura Kakushadze가 요인 로딩 매트릭스의 구성과 수많은 하위 산업에 대해 적절하게 계산하는 문제에 대해 논의합니다. 그는 문제가 러시아 인형 위험 임베딩 접근 방식을 사용하여 더 작은 매트릭스로 축소되는 솔루션으로 계층적 산업 분류를 제안합니다. 여기에는 하위 산업을 먼저 모델링한 다음 다음 세분화된 산업 수준을 사용하여 이러한 위험 요소를 모델링하는 작업이 포함되며 문제가 적절하게 계산할 수 있는 더 작은 매트릭스로 축소될 때까지 계속됩니다.
00:50:00 Zura Kakushadze는 퀀트 거래에 대한 위험 모델을 계산하기 위해 단계적으로 문제를 줄이는 프로세스에 대해 논의합니다. 샘플 공분산 행렬에 대한 10 x 10 요인 로딩 행렬을 계산함으로써 Kakushadze는 나머지 요인인 시장에 대한 하나의 요인 모델을 구축하여 문제를 2000 x 2000에서 하나씩 하나씩 줄일 수 있습니다. 그는 이 구성에 스타일 요소를 포함할 것을 제안하지만, 다양한 산업의 많은 위험 요소에 비해 기여도가 제한적일 수 있다고 지적합니다. 또한 스타일 요인은 주식 간의 쌍별 상관관계에서 상관관계를 모델링하기 위한 좋은 프록시가 아닐 수 있습니다.
00:55:00 Zura Kakushadze가 스타일 요소의 정규화 프로세스에 인터셉트를 포함해야 하는 이유를 설명합니다. 일반적으로 스타일 요소로 사용되는 가격의 로그는 실제로 가격의 로그가 아니라 정규화 계수로 나눈 가격의 로그이기 때문에 절편이 필요합니다. 이 정규화는 경험적인 질문이며 거래자의 선호도에 따라 맞춤화될 수 있습니다. 산업 기반 요인은 모델링 상관관계에 대한 신뢰할 수 있는 프록시인 경향이 있지만 스타일 요인의 쌍선형 조합은 다소 빈약한 프록시입니다. 따라서 거래자는 산업 기반 요인에 초점을 맞추고 거래 모델 및 양적 거래 알파에 따라 모델을 맞춤화해야 합니다.
01:00:00 발표자는 요인 모델, 산업 분류 및 주요 구성 요소와 같은 강력한 아이디어를 위험 모델링에서 매우 강력할 수 있는 구성으로 결합한 이종증의 개념에 대해 논의합니다. 그는 기본적인 산업 분류를 대체할 수 있는 다단계 클러스터링 체계를 통해 위험 요소를 구성하는 데에도 클러스터링 기술을 사용할 수 있다고 설명합니다. 그러나 클러스터링의 한 가지 문제는 비결정적이며 실행될 때마다 다른 클러스터링을 생성할 수 있어 시스템에 노이즈가 발생할 수 있다는 것입니다. 노이즈를 줄이기 위해 많은 수의 클러스터링을 폐기하거나 차원 축소 또는 주성분 분석과 같은 다른 기술을 사용할 수 있습니다.
01:05:00 연사는 퀀트 거래 위험 모델에서 클러스터링을 위한 다양한 접근 방식에 대해 논의합니다. 그들은 k-평균이 비결정적일 수 있지만 계층적 클러스터링과 같은 결정론적 대안을 사용하는 것이 주관적이고 느릴 수 있다고 설명합니다. 또한 화자는 위험 모델 자체를 사용하여 클러스터링 대신 집계할 것을 제안합니다. k-평균을 사용할 때 발표자는 각 클러스터의 중심 초기화가 알고리즘의 비결정적 특성을 유발하지만 전역 최소값을 찾는 것이 항상 필요한 것은 아니라고 지적합니다. 과거 수익률을 사용하는 순진한 접근 방식을 개선하기 위해 연사는 과거 변동성에 대한 수익률을 정상화할 것을 제안합니다.
01:10:00 Zura Kakushadze가 퀀트 거래를 위한 클러스터 정규화 및 다단계 클러스터링에 대해 설명합니다. 그는 포트폴리오를 최적화하고 성과를 개선하기 위해 수익률을 2개의 표준편차로 정규화하기보다 수익률을 분산으로 나누어 클러스터링을 수행해야 한다고 제안합니다. Kakushadze는 다중 수준 클러스터링을 위한 두 가지 방법을 제안합니다. 가장 세분화된 수준이 먼저 생성된 다음 클러스터를 연속적으로 클러스터링하는 상향식과 최소 세분화 수준이 먼저 생성된 다음 티커를 연속적으로 클러스터링하는 하향식입니다. 또한 계층적 알고리즘과 같은 비결정적 알고리즘은 결정적 알고리즘과 비교할 때 성능상 이점이 없으며 Kakushadze는 클러스터링 및 집계 기술을 사용할 것을 제안합니다.
01:15:00 연사는 거래 모델에서 클러스터 수를 수정하는 가능한 방법에 대해 논의합니다. 한 가지 옵션은 유효 순위를 기반으로 휴리스틱을 사용하여 필요한 클러스터 수를 결정하는 것입니다. 또는 클러스터 수를 하이퍼 매개변수로 유지하고 샘플 외 백 테스트를 통해 최적화할 수 있습니다. 또한 서로 다른 k-평균 실행에 의해 생성된 클러스터를 정렬하고 k-평균을 통해 이러한 정렬된 중심을 클러스터링하여 원래 k-평균 실행을 k 클러스터로 정렬하는 방법에 대해 설명합니다. 이 방법을 사용하면 의도한 것보다 적은 수의 클러스터가 생성될 수 있지만 더 적은 수의 클러스터로 유용한 모델을 제공할 수 있습니다.
01:20:00 연사는 양적 거래에서 위험 모델을 집계하는 다양한 방법에 대해 논의합니다. 한 가지 방법은 k-means를 사용하여 클러스터를 정렬하고 빈 클러스터를 삭제하여 잡음이 많은 클러스터를 제거하는 것인데, 이는 클러스터링 알고리즘으로 적용될 수 있습니다. 정렬 프로세스 자체는 비결정적이지만 덜 시끄럽고 충분한 결과를 생성합니다. 또 다른 방법은 요인 모델인 단일 k-평균을 기반으로 모델 공분산 행렬을 계산하여 위험 모델 자체를 집계하는 것입니다. 그러나 해당 요인 공분산 행렬은 작은 p 값과 많은 수의 군집으로 인해 특이할 수 있으므로 위험 공간의 적용 범위가 제한됩니다. 다수의 단일 k-평균 기반 위험 모델을 집계하면 위험 공간에서 훨씬 더 많은 방향이 다루어져 더 넓은 적용 범위를 가진 인수분해되지 않은 위험 모델이 생성됩니다.
01:25:00 Zura Kakushadze가 위험 모델링을 수행하는 다양한 방법과 어떤 접근 방식이 더 나은지 논의합니다. 그는 기본 구성 요소를 기반으로 하는 통계적 위험 모델이 위험 공간의 작은 부분만 다루기 때문에 성능이 가장 낮다고 설명합니다. 클러스터링과 같은 기계 학습 위험 모델은 선형 수준에 없는 수익 간의 관계를 발견하기 때문에 훨씬 더 잘 수행됩니다. 그러나 그들은 여전히 근본적인 산업 분류에 기반한 이종 위험 모델보다 성능이 낮습니다. 때때로 잘못된 판단 요청에도 불구하고 기본적인 산업 분류가 수많은 요인에 대한 철저한 분석을 기반으로 하기 때문에 인간은 여전히 이 측면에서 기계를 능가합니다. 기계 학습 알고리즘이 위험 모델링에서 인간을 능가할 수 있을지는 알 수 없습니다.
01:30:00 연사는 시청자에게 백테스팅에 뛰어들어 비디오에서 논의된 거래 전략에 대한 실제 경험을 얻도록 권장합니다. 개별 거래 스타일에 전략을 최적화하고 적용하는 데 사용할 수 있는 문서 및 소스 코드에 대한 링크를 제공합니다. 또한 주최자는 알고리즘 및 정량적 거래에서 글로벌 지식 및 기술 강국이 되는 것을 목표로 하는 인증 프로그램 및 자기 주도 학습 포털을 포함한 Condensity의 이니셔티브를 언급합니다.
Alexis Stenfors 박사는 특히 유동성과 그 중요성에 중점을 두고 외환(FX) 시장에 대한 포괄적인 분석을 탐구합니다. 그는 FX 시장의 막대한 규모와 글로벌 주식 시장과의 비교 규모를 강조하면서 시작합니다. 잠재적인 위기나 자연 재해에도 불구하고 FX 시장의 유동성은 견조한 경향이 있습니다.
Stenfors 박사는 국제적인 범위에 주목하면서 전문 FX 시장의 경쟁적 특성을 조명합니다. 이 시장에서 단일 통화쌍을 거래하는 것은 다른 통화쌍을 동시에 거래하지 않고서는 불가능합니다. 이러한 특성은 FX 시장을 주식 매수가 보다 일반적이고 직접적인 주식 시장과 구별합니다. 또한 중앙 은행은 돈을 인쇄하거나 직접 개입하는 등의 조치를 통해 통화 가치에 영향을 미침으로써 FX 시장에 개입할 수 있지만 이러한 개입은 주식 시장에서는 흔하지 않습니다. 또한 FX 시장은 규제, 회로 차단기 및 투명성 없이 운영되므로 연구 목적으로 신뢰할 수 있는 데이터에 액세스하기가 어렵습니다.
외환 시장에서 유동성의 핵심은 은행 간의 관계와 관습의 중요성을 강조하는 Dr. Stenfors에 의해 설명됩니다. 전통적인 주식 및 주식 시장과 달리 FX 시장의 시장 조성자는 다른 당사자가 보답할 준비가 되어 있다는 것을 알지 못하는 한 가격을 제시하거나 유동성을 제공할 수 없습니다. FX 스왑 시장에서 경쟁업체의 매수-매도 스프레드는 특정 자릿수 주변에 집중되는 경향이 있으며 흥미롭게도 경쟁업체는 다양한 스프레드를 제공하기보다는 정확히 동일한 스프레드를 인용하는 경우가 많습니다.
외환 거래 업계의 시장 관례는 Dr. Stenfors가 가격 및 거래량 기반 관례에 중점을 두고 논의합니다. 이러한 규칙은 적절한 거래 행동을 지시하고 은행과 고객 간의 강력한 관계를 촉진합니다. 설문 조사에 따르면 소수의 트레이더만이 주로 이익 창출 목적으로 관습을 따르지만 대다수는 관습을 관계를 육성하고 긍정적인 시장 이미지를 유지하는 수단으로 인식합니다. 알고리즘 거래의 부상은 이러한 관습에 변화를 가져왔고, 알고리즘 거래는 EBS와 같은 플랫폼 거래의 70% 이상을 차지합니다.
외환 시장에 대한 알고리즘 거래의 의미는 Dr. Stenfors에 의해 논의됩니다. 지지자들은 고주파 거래가 시장 효율성을 높이고 거래 비용을 줄이며 유동성을 향상시킬 수 있다고 주장합니다. 그러나 회의론자들은 알고리즘이 원래 인간 관계를 위해 설계된 관습을 고수하는 데 적합하지 않다고 주장합니다. 전자 플랫폼을 사용하는 거래자는 거래를 실행하려고 할 때 시장이 빠르게 움직일 때 어려움에 직면할 수 있습니다. 유동성은 이제 복잡하고 확인하기 어려운 것으로 인식됩니다. 알고리즘에 대한 서로 다른 관점에도 불구하고 양측은 FX 유동성이 더 면밀한 검토가 필요한 변화를 겪고 있다는 데 동의합니다. Stenfors 박사는 2010년 인간 거래와 알고리즘 거래 사이의 동등한 분할을 나타내는 거래 플랫폼의 데이터를 제시합니다.
외환 시장의 규모와 유동성을 조사하면서 Dr. Stenfors는 유로 달러 통화 쌍을 예로 들었습니다. 그는 3 거래일 동안 유로 달러에 대한 지정가 주문 총액이 1조 8000억 달러였으며 스프레드가 0.08%에 불과했다고 밝혔습니다. 이는 스프레드가 타이트한 유동성이 높은 시장을 나타냅니다. 그러나 모든 지정가 주문의 1% 미만이 실제로 거래로 이어졌고 중앙 지정가 주문 수명은 2.5초에 불과했습니다. 이러한 결과는 시장이 유동적으로 보일 수 있지만 실제 유동성은 보이는 것보다 덜 중요할 수 있음을 시사합니다. Stenfors 박사는 유동성에 신속하게 접근할 수 있는지에 대한 질문을 제기하고 시도된 거래에 대해 시장이 신속하게 반응하는지 확인하기 위한 테스트를 수행합니다.
Stenfors 박사는 지정가 주문 제출이 FX 시장의 유동성에 미치는 영향에 대한 연구를 공유합니다. 140만 건의 지정가 주문 제출을 분석한 그는 새로운 지정가 주문이 주문서의 다른 쪽에 즉시 유동성을 추가하여 고주파 거래자에게 이익이 된다는 사실을 발견했습니다. 그러나 유동성은 0.1초 이내에 사라지므로 알고리즘 거래는 단기 유동성에만 기여한다는 것을 알 수 있습니다. Stenfors 박사는 지난 10년 동안 FX 시장에서 유동성을 지원하려는 의지의 상당한 변화를 강조하며 가격 기반 유동성, 거래량 기반 유동성, 커뮤니티 기반 유동성, 시장을 분석할 때 속도 기반 유동성.
Forex 거래에서 다양한 주문 유형의 개념과 윤리적 영향에 대해 Dr. Stenfors가 설명합니다. 그는 다른 트레이더가 주문을 취소하는 것을 방지하고 정보가 풍부한 주문을 숨기기 위해 분할 주문이 큰 주문을 작은 주문으로 나누는 데 사용된다고 설명합니다. 그러나 시장 상태에 대한 잘못된 인상을 주는 수저 주문은 일반적으로 대부분의 시장에서 불법입니다. 반면 숨겨진 시장 정보 추출을 목적으로 하는 핑 주문은 논란의 여지가 적지만 해석의 여지가 있습니다. Stenfors 박사는 또한 분할 주문에 대한 자신의 보수적인 정의를 소개하면서 조사한 5개 통화 쌍 중 유로 달러 및 달러 엔 주문의 15-20%를 차지한다고 밝혔습니다.
Stenfors 박사는 분할 주문의 사용과 FX 시장에서의 공격성에 대해 자세히 설명합니다. 대중적인 믿음과는 달리 대량 주문은 종종 높은 공격성을 나타내며 분할 주문은 더 많은 양을 숨길 뿐만 아니라 알고리즘 트레이더가 더 공격적인 주문을 제출할 수 있도록 합니다. 그러나 분할 주문에 대한 시장의 반응은 일반적인 인간 주문에 비해 훨씬 더 두드러지며 알고리즘은 이 전략에 빠르게 적응하여 분할 주문의 효율성을 떨어뜨립니다. 이 논의는 스푸핑과 핑에 대해서도 다루며 유로 달러와 달러 엔과 같은 주요 통화 쌍은 정보에 매우 민감하여 스푸핑에 취약하며 핑은 주문으로 시장을 테스트하고 반응을 관찰하여 숨겨진 정보를 추출하는 데 사용됩니다. .
Stenfors 박사는 다양한 FX 시장에서 "핑"의 유행을 분석하기 위해 개발한 프록시를 제시합니다. 핑 주문은 시장 변화가 발생하기 전에 취소되므로 핑 활동의 잠재적 지표가 됩니다. 포괄적인 데이터베이스를 사용하여 Dr. Stenfors는 유로 달러 및 옐로우 마켓 주문의 약 10%가 잠재적인 핑 주문일 수 있다고 추정합니다. 그러나 유로 스웨덴 및 달러 루블과 같은 시장에서는 이 비율이 크게 증가하여 각각 50% 및 80%에 이릅니다. 특히 핑은 플랫폼에서 덜 거래되는 시장에서 더 두드러지는 것으로 보입니다. Stenfors 박사는 특히 FX 팝 시장에서 마켓 메이킹 기능이 점점 더 알고리즘에 의해 수행되고 있기 때문에 유동성을 연구하려면 다양한 전략과 주문 수명을 고려해야 한다고 제안합니다.
Stenfors 박사는 외환 시장에서 유동성의 진화하는 특성에 대해 논의하고 이를 평가하기 위한 보다 광범위한 지표의 필요성을 강조합니다. 그는 분할, 스푸핑 및 핑과 같은 주문 전략에서 장벽의 영향을 강조합니다. 이러한 문제는 주식 시장에서 광범위하게 연구되었지만 외환 시장의 규모가 더 크더라도 외환 유동성에 미치는 영향은 상당히 다를 수 있습니다. Stenfors 박사는 트레이더가 주문 제출 방법에 관계없이 이러한 복잡성을 인식하고 추가 탐색에 관심이 있는 사람들을 위해 추가 리소스를 제공할 것을 권장합니다.
Alexis Stenfors 박사는 외환 시장에 대한 자세한 분석을 제공하며 특히 유동성과 다양한 차원에 중점을 둡니다. 그의 연구는 규모, 경쟁적 특성, 국제적 범위를 포함하여 외환 시장의 고유한 특성을 강조합니다. 그는 시장 관례의 중요성, 알고리즘 거래의 의미, 다양한 주문 유형이 유동성에 미치는 영향을 강조합니다. 그의 연구를 통해 Dr. Stenfors는 외환 유동성의 복잡성과 진화하는 특성을 밝히고 이 역동적인 시장에서 포괄적인 평가와 이해의 필요성을 강조합니다.
00:00:00 Alexis Stenfors 박사가 외환(FX) 시장, 특히 유동성의 중요성에 대해 논의합니다. 그는 FX 시장의 규모와 글로벌 주식 시장과의 비교 규모를 강조합니다. 그는 또한 위기나 자연재해 상황에서도 일반적으로 유동성이 매우 좋은 점에 주목합니다. 그런 다음 Dr. Stenfors는 계속해서 전문적인 환경에서 FX 시장의 경쟁적 특성과 그것이 어떻게 국제적인지, 즉 다른 것을 거래하지 않고는 단일 통화 쌍을 거래할 수 없다는 의미에 대해 논의합니다.
00:05:00 Alexis Stenfors 박사는 Forex 시장이 주식 시장과 차별화되는 고유한 특성을 설명합니다. Forex 시장은 하나의 통화를 구매하면 다른 통화가 자동으로 판매되는 반면 주식 시장은 주식 구매에 편향되어 있다는 점에서 완벽한 대칭을 이룹니다. 또한 중앙 은행은 일반적으로 주식 시장에 개입하지 않는 반면 화폐 인쇄 또는 직접 개입을 통해 통화 가치를 규제함으로써 외환 시장에 개입할 수 있습니다. Forex 시장도 서킷 브레이커가 없는 규제되지 않은 시장이며 OTC 시장이기 때문에 매우 불투명하고 연구 목적으로 데이터에 접근하기 어렵습니다.
00:10:00 Dr. Alexis Stenfors는 FX 시장에서 유동성의 핵심과 가격 책정, 거래량 및 속도를 기반으로 한 다양한 유형의 유동성을 설명합니다. 시장의 유동성은 전통적인 주식 및 주식 시장과 다른 은행 간의 관계 및 관습을 기반으로 합니다. 마켓 메이커는 가격을 제시하거나 유동성을 제공할 수 없습니다. FX 스왑 시장에서 경쟁사의 가격에 대한 매수-매도 스프레드는 특정 자릿수 주변에 집중되는 경향이 있으며, 흥미로운 부분은 경쟁사가 종종 다른 스프레드가 아닌 정확히 동일한 스프레드를 인용한다는 것입니다.
00:15:00 Alexis Stenfors 박사가 가격 및 거래량 기반 규칙을 포함하여 외환 거래 업계에서 시장 규칙의 중요성에 대해 논의합니다. 이러한 관례는 적절한 거래 행위 및 은행과 고객 간의 좋은 관계 유지와 관련이 있습니다. 설문 조사에 따르면 소수의 트레이더만이 관습을 따라 수익을 내는 반면 대다수는 이를 관계를 강화하고 좋은 시장 이미지를 유지하는 수단으로 보고 있습니다. 알고리즘 거래의 부상과 함께 이러한 관습이 바뀌고 있으며 EBS와 같은 플랫폼에서 알고리즘 거래가 크게 증가하여 현재 거래의 70% 이상을 차지하고 있습니다.
00:20:00 Alexis Stenfors 박사가 외환 시장에 대한 알고리즘 거래의 영향에 대해 논의합니다. 일각에서는 초단타매매가 낮은 거래 비용과 더 나은 유동성으로 보다 효율적인 시장으로 이어질 수 있다고 주장하는 반면, 다른 사람들은 알고리즘이 인간 관계를 위한 관습을 따르는 데 적합하지 않다고 주장합니다. 전자 거래 플랫폼을 사용하는 거래자들은 거래를 시도하자마자 시장이 움직일 때 실망감을 느낄 수 있으며 유동성은 이제 복잡하고 파악하기 어려운 것으로 간주됩니다. 알고리즘에 대한 각자의 입장과 상관없이 양측은 FX 유동성이 변화하고 있으며 더 주의 깊게 살펴봐야 한다는 데 동의합니다. Stenfors 박사는 2010년에 50%가 인간 거래이고 50%가 알고리즘 거래였던 거래 플랫폼의 데이터를 제시합니다.
00:25:00 Alexis Stenfors 박사는 유로 달러 통화 쌍의 예를 사용하여 외환 시장의 규모와 유동성에 대해 논의합니다. 그는 3거래일 동안 유로 달러의 지정가 주문 총액은 1조 8000억 달러였으며 스프레드는 0.08%에 불과해 스프레드가 매우 유동적인 시장이었습니다. 그러나 그는 계속해서 모든 지정가 주문의 1% 미만만이 실제로 거래로 이어졌고 중간 지정가 주문 수명은 2.5초에 불과하여 시장이 유동적으로 보이지만 보기보다 유동성이 적을 수 있음을 시사합니다. . 이어 유동성을 빠르게 끌어낼 수 있을지 의문을 제기하고 딜을 시도하는 순간 시장이 움직이는지 확인하는 테스트를 진행한다.
00:30:00 Alexis Stenfors 박사가 지정가 주문 제출이 FX 시장의 유동성에 미치는 영향에 대한 연구에 대해 논의합니다. 그는 140만 건의 지정가 주문 제출을 분석한 결과 새로운 지정가 주문이 즉시 지정가 주문서의 반대편에 유동성을 추가하여 고주파 거래자에게 유리하다는 사실을 발견했습니다. 그러나 유동성은 0.1초 후에 사라지는데, 이는 알고리즘 거래가 유동성에 매우 단기적으로만 좋다는 생각과 일치합니다. 또한 그는 지난 10년 동안 FX 시장의 유동성 지원 의지에 상당한 변화가 있었다고 지적합니다. 따라서 시장을 분석할 때 가격 기반 유동성, 거래량 기반 유동성, 커뮤니티 기반 유동성, 속도 기반 유동성을 고려하는 것이 중요합니다.
00:35:00 Dr. Alexis Stenfors가 외환 거래에서 다양한 주문 유형의 개념과 윤리적 의미를 설명합니다. 분할 주문은 다른 트레이더가 주문을 취소하는 것을 방지하고 정보가 풍부한 주문을 숨기기 위해 큰 주문을 작은 주문으로 나누는 데 사용된다고 설명합니다. 그러나 숟가락 주문은 시장 상태에 대한 잘못된 인상을 주기 때문에 대부분의 시장에서 불법입니다. 핑 주문은 시장에 대한 숨겨진 정보를 추출하기 위한 것이며 논란의 여지가 없는 것으로 간주되지만 그 의미는 해석에 따라 다릅니다. 이 섹션에서는 또한 Stenfors 박사의 분할 주문에 대한 보수적인 정의에 대해 이야기하며, 그 결과 조사된 5개 통화 쌍에서 유로 달러와 달러 엔이 15-20%가 되었습니다.
00:40:00 Alexis Stenfors 박사가 분할 주문의 사용과 FX 시장에서의 공격성에 대해 논의합니다. 통념과는 달리 대량 주문은 종종 매우 공격적이며 분할 주문은 더 많은 양을 위장할 뿐만 아니라 알고리즘 트레이더가 보다 공격적인 주문을 제출할 수 있도록 하는 데 사용됩니다. 그러나 분할 주문에 대한 반응은 일반적인 인간 주문보다 훨씬 강력하며 알고리즘은 이를 빠르게 파악하여 이러한 주문 분할 전략의 성공률을 떨어뜨립니다. Stenfors 박사는 스푸핑과 핑에 대해서도 언급하면서 일반적인 믿음과 달리 유로 달러나 달러 엔과 같은 주요 통화 쌍은 정보에 매우 민감하여 스푸핑에 매우 취약한 반면 핑은 다음과 같이 설명합니다. 명령으로 물을 테스트하고 반응을 관찰하여 숨겨진 정보를 추출하십시오.
00:45:00 Dr. Alexis Stenfors가 다양한 FX 시장에서 "핑"이 얼마나 두드러지는지 분석하기 위해 만든 프록시에 대해 설명합니다. 핑 주문은 시장에 변화가 발생하기 전에 취소되는 주문으로 잠재적인 핑 주문이 됩니다. Stenfors 박사는 데이터베이스를 사용하여 얼마나 많은 주문이 잠재적인 핑 주문이 될 수 있는지 알아냈고 유로 달러 및 옐로우 마켓에서 약 10%, 유로 스웨덴에서 50%, 달러 루블에서 80%라는 것을 발견했습니다. 여기서 흥미로운 사실은 플랫폼에서 덜 거래되는 시장에서 핑이 더 두드러지는 것 같다는 것입니다. 이것은 플랫폼의 루블 거래가 매우 크지만 실제 거래가 진행되지 않으며 거의 80%가 알고리즘 거래자의 핑 주문일 가능성이 있음을 의미합니다. Stenfors 박사는 유동성을 연구하는 경우 연구하는 방법은 여러 가지가 있으며 한 가지 중요한 것은 특히 FX 팝에서 시장 형성 기능으로 다양한 전략을 살펴보고 주문의 수명을 해결하는 것입니다. 시장은 알고리즘에 의해 점점 더 많이 수행되는 방향으로 이동하고 있습니다.
00:50:00 Dr. Alexis Stenfors가 외환 시장의 변화하는 유동성과 이를 평가하기 위한 더 넓은 범위의 지표의 필요성에 대해 논의합니다. 그는 또한 분할, 스푸핑 및 핑을 초래할 수 있는 주문 전략에 대한 장벽의 영향을 강조합니다. 이러한 문제는 주식 시장에서 광범위하게 연구되었지만 외환 시장의 유동성에 미치는 영향은 더 큰 규모에도 불구하고 크게 다를 수 있습니다. Stenfors 박사는 트레이더가 주문을 제출하는 방법에 관계없이 이러한 복잡성을 인식해야 하며 더 많은 정보를 얻고자 하는 사람들을 위한 리소스를 제공할 것을 권장합니다.
동영상은 클라우드 기반 플랫폼인 Blueshift를 사용하여 거래 전략을 개발하고 실행하는 데 지침을 제공할 숙련된 퀀트를 소개하는 것으로 시작됩니다. Blueshift는 자세한 Forex 데이터는 물론 미국 및 인도 주식 시장을 포함한 포괄적인 데이터 세트를 제공합니다. 이 세션에서는 체계적인 전략, Python 입문서, Blueshift 소개, 백테스팅을 위한 재사용 가능한 템플릿 만들기, 기술 지표, 단일 지표를 사용하여 간단한 전략 구성 및 포트폴리오 전략 관리를 다룹니다. 중요한 것은 세션이 거래 권장 사항을 제공하거나 절대 안전한 전략을 제공한다고 주장하지 않는다는 것입니다.
연사는 펀더멘털, 테크니컬, 퀀트와 같은 거래 스타일에 대한 다양한 접근 방식과 추세, 평균 회귀, 탈주, 고유한 방식을 다루는 방법을 강조합니다. 체계적인 거래 전략 설계에는 증권 선택, 매수 및 매도 신호 생성, 대상 포트폴리오 계산, 거래 실행 및 프로세스의 지속적인 개선이 포함됩니다. 연사는 가격 데이터 및 변환, 기본 및 비시장 정보, 거래 규칙/로직을 포함하여 체계적인 전략에 필요한 입력을 설명합니다. 이러한 규칙은 트레이더의 가설을 기반으로 하거나 기계 학습 및 인공 지능과 같은 데이터 기반 기술을 통해 개발할 수 있습니다.
연사는 백테스팅과 포워드 테스팅을 통해 거래 전략을 테스트하는 것의 중요성을 강조합니다. 백테스팅은 트레이더가 가설의 타당성을 검증하는 데 도움이 되며, 포워드 테스팅은 데이터 마이닝 편향, 생존 편향, 시장 영향 모델링 및 예측 편향과 같은 편향과 함정을 방지합니다. 유연한 백테스팅 플랫폼은 전략을 조정하고 수정하는 데 필수적이며 모든 전략이 모든 시장에서 잘 수행되는 것은 아니기 때문에 위험 관리 및 포트폴리오 생성이 중요합니다. 연사는 전략 생성 및 테스트를 위해 Blueshift 플랫폼에서 Python 기반 코드를 사용하는 방법을 간략하게 소개합니다.
동영상은 Blueshift에서 거래 전략을 백테스팅하는 데 필요한 네 가지 필수 기능을 설명합니다. 이러한 기능은 초기 매개 변수를 설정하는 "initialize", 각 거래 세션 전에 호출되는 "before_trading_start", 새로운 프라이스 바 도착 시 실행되는 "handle_data" 및 전략 분석에 사용되는 "analyze"입니다. 발표자는 이러한 기능이 호출되는 순서와 트레이더가 각 기능 내에서 코드를 배치하는 방법을 보여줍니다. 이 섹션은 Blueshift 플랫폼에서 Python을 사용하는 방법에 대한 기본적인 소개로 마무리됩니다.
Python에 익숙하지 않은 시청자를 위해 비디오는 Python 기본 사항에 대한 입문서를 제공합니다. 변수, 문자열, 정수, 부동 소수점 및 사전 및 목록과 같은 데이터 구조를 다룹니다. Python에서 함수 및 클래스 생성도 소개됩니다. 그런 다음 비디오는 "초기화", "before_trading_start", "handle_data" 및 "analyze" 단계를 설명하는 Blueshift 워크플로를 자세히 살펴봅니다. 예약 및 주문 기능의 유용성이 강조 표시됩니다.
발표자는 Blueshift의 세 가지 기본 주문 기능에 대해 설명합니다. 첫 번째 기능인 "order_percent_target"은 거래자가 대상 포트폴리오의 가중치를 기반으로 기본 자산에서 포지션을 취할 수 있도록 합니다. 두 번째 기능인 "get_open_orders"는 보류 중인 주문 수를 제공하고 세 번째 기능인 "cancel_order"는 주문 취소를 허용합니다. 발표자는 거래 환경 제어의 중요성을 강조하고 "set_commission", "set_slippage" 및 "set_account_currency"와 같은 기능을 시연합니다. Blueshift의 "컨텍스트" 및 "데이터" 개체에 대해 설명하고 알고리즘 상태를 캡처하고 데이터에 액세스하는 역할을 보여줍니다. 예를 들어 "히스토리" 기능을 사용하여 간단한 매수 및 보유 전략을 위해 포트폴리오 및 데이터에 액세스하는 방법을 보여줍니다. "스케줄" 기능을 사용하는 스케줄링 개념이 도입되어 사용자가 특정 기능을 호출해야 하는 시기를 정의할 수 있습니다.
튜토리얼은 전략 개발을 간소화하고 반복적인 코드를 피하기 위한 템플릿 생성에 중점을 둡니다. TLE와 같은 기술 지표 라이브러리와 Pandas 및 Numpy와 같은 표준 라이브러리를 가져옵니다. 증권의 유니버스는 주요 지수로 좁혀지고 "컨텍스트" 변수는 전략 매개 변수를 저장하는 사전으로 초기화됩니다. 이러한 매개변수에는 지표 조회, 매수/매도 임계값, 이동 평균 기간, RSI, B-대역, ATR 및 거래 빈도가 포함됩니다. 이 템플릿은 상용구 코드를 최소화하고 쉽게 수정할 수 있도록 매개변수를 표준화하는 것을 목표로 합니다.
발표자는 거래를 제어하기 위한 변수를 소개하고 우주의 각 상품에 대한 가중치가 있는 포트폴리오를 만듭니다. 데모 목적으로 커미션과 슬리피지를 0으로 설정했습니다. "handle_data" 기능은 15분마다 거래를 실행하도록 정의되어 있습니다. "run_strategy" 기능은 전략을 실행하기 위한 주요 기능이 됩니다. "context.universe.prices" 기능을 사용하여 재조정하기 전에 과거 가격을 검색하고 가중치를 계산합니다. "재조정" 기능은 우주의 모든 증권을 반복하고 목표 가중치를 달성하기 위해 주문합니다. 컨텍스트 포트폴리오와 가중치를 인쇄하기 위해 익명 함수가 정의되고 가중치 개체를 계산하기 위해 "advisor" 클래스가 생성됩니다.
발표자는 이름 및 신호 기능을 포함하여 "고문" 클래스에 대한 입력을 정의하는 방법과 주식 선택 유니버스를 전달하는 방법을 설명합니다. 초기화 및 조언자의 성과 저장은 물론 구매/판매 신호를 생성하기 위해 신호 기능을 호출하는 기본 기능을 정의합니다. 발표자는 종종 과거 가격의 가중 함수로 표현되는 기술 지표를 기반으로 신호 함수를 정의하는 것을 강조합니다. 그들은 AQR Capital Management의 Cliff Asness와 같은 전문가의 이론 논문을 참조할 것을 권장합니다.
기술 지표와 시장과의 상관 관계는 주성분 분석을 사용한 통계 분석을 기반으로 논의됩니다. 기술 지표는 과거 가격이나 수익률에 대한 필터 역할을 하며 고주파 또는 저주파 데이터를 필터링하여 장기 또는 단기 추세를 포착합니다. 그러나 기술 지표는 자기 충족적 예언일 수 있으며 모멘텀 또는 손절매 사냥으로 이어질 수 있는 특정 유형의 거래 알고리즘에 취약합니다. 거래 전략을 개발하고 백테스팅할 때 다양한 지표의 포트폴리오를 보유하는 것이 중요합니다.
강사는 기술 분석 라이브러리 가져오기에 대해 설명하고 사용 가능한 기술 지표를 나열합니다. Bollinger Bands의 예를 사용하여 강사는 "Bbands" 함수를 시연하여 마지막 행의 값을 검색합니다. RSI, MACD, 피보나치 지원, 저항 등과 같은 다른 기능도 선보입니다. 강사는 "get_price" 기능과 각 기간의 거래 시점을 확인하는 "handle_data" 기능에 대해 설명합니다. "run_strategy" 함수는 "advisor_compute_signal_price" 함수를 사용하여 적합한 인수를 찾은 다음 "rebalance" 함수를 사용하여 목표 비율에 대한 주문을 합니다. 마지막으로 "분석" 기능은 전략 분석에 사용됩니다.
연사는 알고리즘 거래 이익을 향상시키기 위한 전략 포트폴리오 관리에 중점을 둡니다. 단일 전략에 의존하는 대신 여러 전략을 동시에 또는 서로 다른 기간에 실행하는 것이 좋습니다. 전략 포트폴리오 관리를 위한 네 가지 방법인 위원회 구성, 제도 전환 모델 사용, 동적 할당 및 요소 기반 투자에 대해 논의합니다. 평균화는 신호 안정성을 향상시킬 수 있습니다. 전략 코드에는 고문 선택 및 자본 할당을 담당하는 에이전트를 추가하는 것이 포함됩니다. 에이전트는 재조정 기능에 영향을 미치는 권고자 가중치를 업데이트하기 위해 가중치 기능을 사용합니다.
연사는 조언자 수를 기준으로 각각에 대해 균등하게 할당된 포트폴리오를 정의하고 평가하는 방법을 설명합니다. 그들은 그들 사이에 자본을 할당하기 위해 별도의 전문 고문과 대리인을 만드는 것을 보여줍니다. QuickBacktest를 사용한 백 테스트는 개별 사례에 비해 크게 향상된 성능을 보여줍니다. 화자는 트레이딩 전략에서 드로우다운의 중요성을 강조하며 소르티노 비율과 손익 곡선의 안정성을 살펴볼 것을 제안합니다. 동일한 가중 평균 입력 포트폴리오는 성능을 크게 향상시키지만 더 개선할 여지가 있습니다.
연사는 예측하기 어려운 시장에서 최선의 투자 전략을 결정하는 '후회 없는 거래'의 개념을 소개합니다. 단일 투자에 의존하는 대신 전략에는 각 투자의 가중치를 다양화하는 것이 포함됩니다. 연사는 지수 기울기 알고리즘을 사용하여 가중치를 결정하고 시장 시나리오에 대한 포트폴리오의 반응에 따라 가중치를 조정할 것을 권장합니다. 켈리 기준은 또한 자본 배분에 대해 제안되어 기하학적 브라운 운동을 기반으로 수익 대 분산을 최대화합니다.
발표자는 가중치의 출력과 조언자마다 가중치가 어떻게 다른지 설명합니다. 진정으로 무작위인 경우 다른 신호에 비해 이상적으로 덜 할당되는 무작위 신호를 테스트합니다. 발표자는 어드바이저 목록과 학습률 매개변수를 사용하고 가중치 함수를 계산하는 에이전트 기능에 대해 논의합니다. 조언자 목록을 반복하고, 조언자 신호를 계산하고, 섹터별로 집계하고, 계산된 가중치를 기반으로 컨텍스트 가중치를 업데이트합니다. 이 섹션은 과적합 방지, 계정 레버리지 확인, 시청자가 탐색할 수 있는 데모 전략 목록 제공 등 전략 개발에 대한 지침으로 마무리됩니다.
연사는 종이 거래 또는 라이브 시장에서 소량의 자본으로 거래하는 것과 같은 다양한 포워드 테스트 방법에 대해 논의합니다. 그들은 BlueShift가 현재 PI torch 또는 Jupiter Notebook을 지원하지 않지만 Keras 및 TensorFlow를 지원할 계획이라고 언급합니다. 이 플랫폼은 인도 시장에 국한되지 않고 미국 및 인도 주식 데이터와 FX 데이터에 액세스할 수 있습니다. 발표자는 현재 BlueShift에 내장된 디버깅 도구가 없지만 향후 추가할 것을 고려하고 있다고 말합니다.
발표자는 옵션 백테스팅에 대해 이야기하고 이를 제공하는 대부분의 플랫폼이 신뢰할 수 없거나 광범위한 데이터 정리 및 정렬이 필요하다고 언급합니다. 그들은 또한 Indian Graviton이 유동적인 선물만 지원하고 타사 데이터 피드를 허용하지 않는다는 점에 주목합니다. 권장되는 최소 백테스트 기간은 거래 빈도에 따라 다르며 인도 시장에 대한 1분 데이터를 사용할 수 있지만 기술 제한으로 인해 최적화 실행이 효율적이지 않습니다. BlueShift는 수수료가 없으며 웹사이트 트래픽이 처리할 수 있는 한 동시 백테스트 수에 제한이 없습니다. PSA에 대한 백테스팅 및 Python 패키지 사용이 가능하지만 보안상의 이유로 사용 가능한 패키지 목록이 제한되어 있습니다.
발표자는 백테스팅이 거래 전략을 개발하고 평가하는 중요한 단계라고 설명합니다. 실제 시장에 전략을 배포하기 전에 전략이 실행 가능하고 수익성이 있는지 판단하는 데 도움이 됩니다. 실제 결과를 보장하기 위해 백테스팅할 때 거래 비용, 미끄러짐 및 기타 실제 요인을 고려하는 것의 중요성을 강조합니다.
연사는 거래 전략을 백테스팅하고 배포하기 위한 환경을 제공하는 BlueShift 플랫폼을 소개합니다. BlueShift는 인도 주식, 미국 주식 및 외환 시장에 대한 백테스팅을 지원합니다. 사용자는 Python을 사용하여 전략을 작성하고 테스트하고 다양한 내장 기능과 라이브러리를 활용할 수 있습니다. 이 플랫폼을 통해 사용자는 선호도에 따라 전략을 종이로 거래하거나 실제 자본으로 거래할 수 있습니다.
연사는 실제 시장에서 적은 자본으로 전략을 전개하는 포워드 테스트의 중요성을 강조합니다. 이를 통해 실시간 조건에서 전략의 성능과 동작을 검증할 수 있습니다. BlueShift는 현재 인도 시장에 대한 포워드 테스트를 지원하며 사용자는 최대 1000만 인도 루피의 가상 자본으로 종이 거래를 할 수 있다고 언급합니다.
옵션 백테스팅에 대해서도 논의하며 발표자는 옵션 백테스팅을 위한 많은 기존 플랫폼이 신뢰할 수 없거나 광범위한 데이터 정리 및 준비가 필요하다고 언급했습니다. 그들은 BlueShift가 현재 옵션 백테스팅을 지원하지 않지만 나중에 추가하는 것을 고려할 수 있다는 점에 주목합니다.
데이터 가용성과 관련하여 연사는 BlueShift가 인도 주식, 미국 주식 및 외환 시장에 대한 과거 데이터를 제공한다고 언급합니다. 그러나 그들은 인도 시장에 대한 1분 데이터로 전략을 최적화하는 것은 기술적 한계로 인해 효율적이지 않을 수 있다고 지적합니다.
연사는 BlueShift가 백테스팅 또는 플랫폼 사용에 대한 수수료가 없음을 분명히 합니다. 사용자는 웹사이트 트래픽이 로드를 처리할 수 있는 한 원하는 만큼 백 테스트를 수행할 수 있습니다. 또한 BlueShift에는 보안상의 이유로 사용 가능한 Python 패키지 목록이 제한되어 있지만 사용자는 여전히 pandas 및 numpy와 같은 인기 패키지를 활용할 수 있다고 언급합니다.
연사는 전략 개발에서 철저한 백테스팅과 포워드 테스팅의 중요성을 강조합니다. 프레젠테이션 중에 논의된 제한 사항과 고려 사항을 염두에 두면서 사용자가 BlueShift 플랫폼을 활용하여 거래 전략을 백테스팅하고 배포하도록 권장합니다.
00:00:00 진행자는 시청자에게 전략 개발을 위한 클라우드 기반 플랫폼인 Blueshift를 사용하여 거래 전략을 개발하고 실행하는 방법을 안내할 노련한 퀀트를 소개합니다. Quant는 Blueshift가 미국 및 인도 주식 시장을 포함하는 데이터 세트와 분 단위 데이터가 포함된 속임수 Forex를 보유하고 있다고 설명합니다. 이 세션에서는 체계적인 전략, Python에 대한 짧은 입문서, Blueshift 소개, 백 테스트를 위한 재사용 가능한 템플릿 생성, 기술 지표, 단일 기술 지표를 사용하여 간단한 전략 생성 및 다양한 포트폴리오 전략 관리에 대한 간략한 내용을 다룹니다. 방법. 세션은 거래 권장 사항이나 항상 작동하는 최상의 전략을 제공하는 것이 아닙니다.
00:05:00 화자는 펀더멘털, 테크니컬, 퀀트와 같은 다양한 거래 스타일이 추세를 다루고, 평균 회귀, 탈주, 다양한 방식으로 수행한다고 언급했습니다. 그들은 또한 유가 증권의 유니버스 선택, 매수 및 매도 신호 생성, 대상 포트폴리오 계산, 전략 실행 및 프로세스의 지속적인 개선을 포함하는 체계적인 거래 전략을 설계하는 방법에 대해 논의했습니다. 또한 연사는 가격 및 변형, 기본 정보 및 비시장 정보, 트레이딩 규칙 또는 논리와 같은 체계적인 전략을 개발하기 위한 입력 사항을 설명했습니다. 이러한 전략은 트레이더의 가설에 의해 또는 머신 러닝을 사용하여 데이터가 규칙을 말하게 함으로써 개발할 수 있습니다. 그리고 인공 지능.
00:10:00 연사는 백테스팅 및 포워드 테스팅을 포함한 테스트 거래 전략의 중요성에 대해 논의합니다. 백테스팅을 통해 트레이더는 전략을 테스트하여 가설이 올바른지 확인할 수 있으며, 포워드 테스트는 데이터 마이닝 편향, 생존 편향, 시장 영향 모델링 및 예측 편향과 같은 편향을 방지합니다. 연사는 전략을 조정하고 수정하기 위한 유연한 백테스팅 플랫폼의 필요성을 강조하지만 모든 전략이 모든 시장에서 잘 수행되는 것은 아니기 때문에 포트폴리오 생성 및 위험 관리의 중요성도 강조합니다. 마지막으로 발표자는 Blue Shift 플랫폼에서 Python 기반 코드를 사용하여 거래 전략을 만들고 테스트하는 방법에 대한 간단한 입문서를 제공합니다.
00:15:00 연사는 특정 플랫폼을 사용하여 거래 전략을 백테스팅하는 데 필요한 네 가지 기능을 설명합니다. 첫 번째 함수는 백테스팅을 위한 초기 매개변수를 설정하는 데 사용되는 초기화입니다. 두 번째는 거래 시작 전에 호출되며 거래 세션이 시작되기 전에 매일 호출됩니다. 세 번째 함수는 핸들 데이터로 새로운 가격 표시줄이 도착할 때마다 호출되며 마지막 함수는 분석이라고 합니다. 발표자는 또한 선택된 데이터 세트에 따라 각 함수가 호출되는 순서와 각 함수에 코드를 넣을 위치를 결정하는 방법을 보여줍니다. 이 섹션은 코딩에 Python을 사용하는 방법에 대한 간략한 소개로 끝납니다.
00:20:00 언어에 익숙하지 않은 사람들을 위해 Python 기본 사항을 설명합니다. 사전 및 목록과 같은 데이터 구조뿐만 아니라 변수, 문자열, 정수 및 부동 소수점의 사용에 대해 설명합니다. Python에서 함수 및 클래스 생성도 소개됩니다. 그런 다음 비디오는 Blueshift 워크플로의 네 단계인 초기화, before_trading_start, handle_data 및 분석을 설명합니다. 예약 및 주문 기능의 유용성에 대해서도 설명합니다.
00:25:00 발표자는 거래 플랫폼인 Blue Shift에서 사용되는 세 가지 주요 주문 기능에 대해 설명합니다. 첫 번째 기능은 대상 포트폴리오의 가중치에서 기본 자산의 위치를 차지하는 데 사용되는 주문 비율 목표입니다. 두 번째 기능은 실행해야 하는 주문 수를 제공하는 공개 주문 가져오기이고 세 번째 기능은 주문 취소입니다. 또한 발표자는 거래 환경 제어의 중요성을 설명하고 커미션 설정, 슬리피지 설정 및 계정 통화 설정과 같은 기능을 사용하여 이를 구현하는 방법의 예를 제공합니다. 또한 발표자는 Blue Shift의 컨텍스트 및 데이터 개체, 알고리즘 상태를 캡처하고 데이터에 액세스하는 데 사용되는 방법을 설명하고 히스토리 기능. 마지막으로 발표자는 일정 기능을 사용하여 일정을 잡는 개념을 소개합니다. 이 기능은 요일 및 시간 측면에서 기능을 호출할 시기를 정의하는 데 사용할 수 있습니다.
00:30:00 이 튜토리얼은 트레이더가 반복적인 코드를 피하기 위해 사용할 템플릿을 만드는 데 중점을 둡니다. 튜토리얼은 TLE와 같은 기술 지표 라이브러리와 Pandas 및 Numpy용 표준 라이브러리를 가져옵니다. 그런 다음 유니버스는 두 개의 주요 인덱스로 축소되고 컨텍스트 변수는 전략에 대한 매개 변수를 한 곳에 저장하기 위한 사전으로 초기화됩니다. 매개변수에는 지표 조회, 매수 및 매도 임계값, 빠른 이동 및 느린 이동 평균 기간, RSI, B-대역 및 ATR, 거래 빈도가 포함됩니다. 이 템플릿은 상용구 코드를 최소화하고 쉽게 변경할 수 있도록 매개변수를 표준화하는 데 유용합니다.
00:35:00 화자는 변수를 추가하여 거래를 제어하고 우주의 각 상품에 대한 가중치 포트폴리오를 만듭니다. 데모 목적으로 커미션과 슬리피지를 0으로 설정했습니다. handle_data 함수는 거래가 15분마다 발생하도록 정의됩니다. run_strategy 함수는 전략을 실행하기 위한 기본 함수로 생성됩니다. 함수는 context.universe.prices를 호출하여 선택한 선물의 과거 가격을 가져오고 재조정 전에 가중치를 계산합니다. 재조정 기능은 유니버스의 모든 증권을 살펴보고 목표 가중치를 달성하기 위해 주문하는 데 사용됩니다. 화자는 또한 마지막에 컨텍스트 포트폴리오와 가중치를 인쇄하는 익명 함수를 정의하고 가중치 개체를 계산하기 위해 Advisor라는 클래스를 만듭니다.
00:40:00 발표자는 이름 및 신호 기능을 포함하여 Advisor 클래스의 입력을 정의하는 방법과 주식 선택 유니버스를 전달하는 방법에 대해 논의합니다. 또한 고문의 성과를 초기화하고 저장하는 방법과 주식 매수 또는 매도를 위한 신호를 생성하는 신호 함수를 호출하는 기본 함수를 정의합니다. 발표자는 과거 가격의 가중 함수로 표현될 수 있는 기술 지표를 기반으로 신호 함수를 정의하는 것이 중요하다고 강조합니다. 또한 AQR Capital Management의 Cliff Asness와 같은 해당 분야 전문가의 이론 논문을 살펴볼 것을 권장합니다.
00:45:00 연사는 주성분 분석을 통한 통계 분석을 기반으로 기술 지표 및 시장과의 상관 관계에 대해 논의합니다. 기술 지표는 과거 가격 또는 과거 수익률에 대한 필터 유형으로 생각할 수 있으며, 고주파 또는 저주파 데이터를 필터링하여 장기 또는 단기 추세를 포착할 수 있습니다. 그러나 기술 지표는 자기 충족적 예언일 수 있으므로 돈을 버는 데 유용하지만 모멘텀 또는 손절매 사냥을 초래할 수 있는 특정 범주의 거래 알고리즘이 적용됩니다. 또한 모멘텀 지표가 모멘텀을 나타낸다고 해서 반드시 시장이 모멘텀을 유지하고 있다는 의미는 아닙니다. 따라서 다양한 지표의 포트폴리오를 보유하는 것은 거래 전략을 개발하고 백테스팅할 때 유용할 수 있습니다.
00:50:00 강사가 기술 분석 라이브러리 가져오기 및 사용 가능한 기술 지표 목록을 설명합니다. 라이브러리 함수 'Bbands'를 호출하는 Bollinger Bands 함수의 예를 사용하여 마지막 행의 값을 반환하고 RSI, MACD, 피보나치 지원, 저항 등과 같은 다른 함수를 보여줍니다. 강사는 또한 '게이트 가격' 함수와 거래 시점인지 확인하기 위해 각 기간마다 호출되는 '핸들 데이터' 기능. 그런 다음 '실행 전략' 기능은 '고문 신호 가격 계산' 기능을 사용하여 적절한 인수를 찾고, 목표 비율을 달성하기 위해 주문을 하기 위해 유니버스의 모든 증권을 반복하는 '재조정' 기능이 뒤따릅니다. 마지막으로 '분석' 기능은 백테스트된 전략을 분석하는 데 사용됩니다.
00:55:00 발표자가 알고리즘 거래 수익을 개선하기 위한 전략 포트폴리오 관리에 대해 논의합니다. 단일 전략에 의존하는 대신 연사는 여러 전략을 동시에 또는 서로 다른 기간에 실행할 것을 제안합니다. 연사는 전략 포트폴리오 관리를 위한 네 가지 방법, 즉 위원회 구성, 체제 전환 모델, 동적 할당 및 요소 기반 투자를 제안합니다. 평균을 취함으로써 신호의 안정성을 향상시킬 수 있습니다. 전략의 코드에는 고문을 선택하고 자본을 할당하는 에이전트를 추가하는 것이 포함됩니다. 에이전트는 재조정 기능에서 고려되는 각 어드바이저의 가중치를 업데이트하기 위해 가중치 기능을 사용합니다.
01:00:00 연사는 고문의 수를 기준으로 포트폴리오를 정의하고 평가하는 방법을 설명합니다. 그들은 별도의 전문 고문을 만든 다음 에이전트를 만들어 그들 사이에 자본을 할당하는 방법을 보여줍니다. QuickBacktest를 사용하여 백 테스트를 실행했는데 개별 사례에 비해 성능이 크게 향상되었습니다. 화자는 트레이딩 전략에서 드로다운의 중요성을 강조하며 소르티노 비율과 손익 곡선의 안정성을 살펴볼 것을 권장합니다. 전반적으로 동일한 가중 평균 입력 포트폴리오는 성능이 크게 향상되었지만 화자는 여전히 개선의 여지가 있음을 나타냅니다.
01:05:00 연사는 미래 추세를 예측하기 어려운 시장에서 어떤 투자 전략이 가장 좋은 성과를 내는지 결정하는 것을 포함하는 "후회 없는 거래"라는 개념에 대해 논의합니다. 이 전략은 하나의 투자에 의존하여 다른 투자를 능가하는 것이 아니라 각 투자의 가중치를 다양화하는 것입니다. 발표자는 시장 시나리오에 대한 포트폴리오의 반응에 따라 가중치를 조정하는 가중치를 결정하기 위해 지수 기울기 알고리즘을 사용할 것을 권장합니다. 화자는 또한 가중을 결정하기 위해 기하학적 브라운 운동을 기반으로 자본을 할당하고 수익 대 분산을 최대화하기 위해 Kelly 기준을 사용할 것을 제안합니다.
01:10:00 발표자가 가중치의 출력과 조언자마다 가중치가 어떻게 다른지 설명합니다. 그런 다음 함수가 실제로 무작위인 경우 이상적으로는 다른 신호에 비해 덜 할당되어야 하는 무작위 신호를 테스트합니다. 화자는 또한 어드바이저 목록과 학습률 매개변수를 가져와 가중치 함수를 계산하는 에이전트 함수에 대해 이야기합니다. 조언자 목록을 반복하고, 조언자 신호를 계산하고, 섹터별로 합산하고, 계산된 가중치를 다시 컨텍스트 가중치로 보냅니다. 그런 다음 연사는 과적합 방지 및 계정 레버리지 확인을 포함하여 전략 개발에 대한 몇 가지 지침으로 섹션을 마무리하고 시청자가 탐색할 수 있는 데모 전략 목록을 제공합니다.
01:15:00 연사는 종이 거래 또는 라이브 시장에서 소량의 자본으로 거래하는 등 다양한 포워드 테스트 방법에 대해 논의합니다. 그들은 또한 BlueShift가 현재 PI torch 또는 Jupiter 노트북을 지원하지 않지만 Keras 및 TensorFlow를 지원할 계획이라고 언급합니다. 또한 이 플랫폼은 인도 시장에 국한되지 않고 미국 및 인도 주식 데이터 및 FX 데이터에 액세스할 수 있습니다. 발표자는 또한 현재 BlueShift에 내장된 디버깅 도구가 없지만 향후 추가하는 것을 고려하고 있다고 언급했습니다.
01:20:00 발표자는 옵션 백테스팅에 대해 논의하고 이를 제공하는 대부분의 플랫폼이 신뢰할 수 없거나 많은 데이터 정리 및 정리가 필요하다고 설명합니다. 그들은 또한 Indian Graviton이 유동적인 선물만 지원하고 타사 데이터 공급을 허용하지 않는다고 언급합니다. 백테스트 권장 최소 기간은 거래 빈도에 따라 다르며 인도 시장에 대한 1분 데이터를 사용할 수 있지만 기술 부족과 예상 수익을 기반으로 매개 변수를 최적화하는 것을 선호하기 때문에 최적화 실행이 효율적이지 않습니다. Blue Shift는 수수료가 없으며 웹 사이트 트래픽이 수용할 수 있는 한 동시에 실행할 수 있는 별도의 백 테스트 수에 대한 제한이 없습니다. PSA에 대한 백테스팅을 수행하고 Python 패키지를 사용할 수도 있지만 보안상의 이유로 사용 가능한 패키지 목록이 제한되어 있습니다.
이 유익한 웨비나에서 연사는 체계적인 거래 전략 연구 및 백테스팅을 위한 강력한 전략 개발 플랫폼인 Quantiacs BlueShift에 대한 포괄적인 개요를 제공합니다. 이 플랫폼은 거래자에게 이상적인 도구가 되는 다양한 특징과 기능을 제공합니다.
BlueShift는 클라우드 기반 플랫폼으로, 사용자가 어디서나 액세스할 수 있어 이동 중에도 전략을 개발하고 분석할 수 있습니다. 사용자에게 내장된 재무 데이터 세트를 제공하여 전략 개발을 위해 관련 시장 데이터에 편리하게 액세스할 수 있습니다.
웨비나는 주로 외환(FX) 시장에 초점을 맞추지만 BlueShift 플랫폼은 다양한 시장에서 주식 및 선물 거래도 지원합니다. 플랫폼에서 개발된 백테스팅 전략의 지적 재산은 전적으로 사용자에게 속하며 기밀성과 소유권을 보장한다는 점을 강조합니다.
연사는 외환 시장의 특성에 대해 깊이 파고들며 일일 거래량이 약 5조 달러에 달하는 엄청난 규모의 분산형 시장으로서의 위상을 강조합니다. 이 볼륨 내에서 약 3,000억 달러가 소매 거래에 기인할 수 있습니다. 발표자는 더 높은 레버리지, 더 쉬운 공매도 기회, 상대적으로 더 낮은 변동성 등 FX 시장을 주식 시장과 차별화하는 몇 가지 요인에 대해 논의합니다.
외환 시장을 움직이는 요인을 이해하기 위해 연사는 국제 수지, 금리, 인플레이션, 경제 성장 및 재정 정책과 같은 거시 경제 요인의 중요성을 지적합니다. 그들은 또한 급격한 정치적, 지정학적 변화뿐만 아니라 기업 및 헤징 흐름이 시장에 상당한 영향을 미칠 수 있다고 언급합니다. 그러나 외환 시장의 가치를 평가하기 위한 표준 또는 널리 인정되는 방법론이 없다는 점에 유의하는 것이 중요합니다. 연사는 대규모 기관과 국제통화기금(IMF)이 선호하는 고급 기술과 함께 구매력 평가 및 실질 실효 환율과 같은 방법을 간략하게 언급합니다. 또한 연사는 유동성을 촉진하고 익일 롤오버 비용을 결정하는 데 있어 단기 자금 조달 시장의 중요성을 강조합니다.
외환 거래 전략을 개발하고 백테스팅할 때 연사는 다양한 접근 방식을 소개합니다. 통화 모델 및 행동 균형 환율 모델과 같은 경제 모델은 계량 경제학 방법을 사용하여 데이터를 분석합니다. 시계열 예측, 비선형 시계열 및 신경망을 포함한 데이터 기반 모델도 단기 외환 거래를 위한 실행 가능한 옵션으로 논의됩니다. BlueShift 플랫폼은 전략 개발 및 테스트를 용이하게 하는 사용자 친화적인 인터페이스로 제공됩니다. 사용자는 다른 세부 정보 중에서 데이터 세트, 시작 자본 및 메타데이터 설명을 입력할 수 있습니다. 이 플랫폼은 완전한 백테스팅과 빠른 백테스팅 실행을 위한 도구를 제공합니다. Python의 Zipline API를 기반으로 구축된 BlueShift는 사용자가 개발 프로세스를 시작할 수 있는 표준 전략 템플릿을 제공합니다.
연사는 외환 거래 전략의 기본 구조와 백테스팅에 필요한 주요 기능에 대해 자세히 설명합니다. 그들은 Baptist 매개변수와 회계 매개변수를 설정하는 "초기화" 기능을 설명합니다. "거래 시작 전" 기능은 거래 세션 시작 시 하루에 한 번 호출되며, 미니 데이터 세트에 대해 매분 호출되는 "데이터 처리" 기능이 뒤따릅니다. 마지막으로 "전략" 기능은 특정 시간과 날짜에 대해 API를 사용하여 예약되고 규칙은 사용자가 정의합니다. 빠른 백 테스트를 실행한 후 사용자는 Baptist 탭에 액세스하여 주식 곡선, 티어 시트 및 기타 통계를 포함한 다양한 데이터 세트를 볼 수 있습니다.
연사가 설명하는 테어 시트는 거래 전략을 분석하기 위한 일련의 보고서를 제공합니다. 여기에는 최대 오메가 비율, Sortino 비율, 왜도, 첨도, 시계열의 안정성 등과 같은 매개변수가 포함됩니다. 연사는 BlueShift를 사용하여 초기화, "거래 시작 전" 및 "데이터 처리"를 거쳐 스케줄링, 수수료 설정, 슬리피지 설정, 계정 통화 설정과 같은 다양한 API 기능을 활용하는 작업 흐름을 시연합니다. 연사는 외환 거래 전략을 위한 표준 템플릿의 가용성을 언급합니다.
연사는 BlueShift 플랫폼에서 외환 거래 전략을 위한 표준 템플릿의 가용성을 언급합니다. 이 템플릿은 사용자가 시작 및 종료 규칙, 위험 관리 매개 변수 및 기타 사용자 지정 옵션을 정의하여 전략을 개발할 수 있는 시작점을 제공합니다.
또한 BlueShift 플랫폼은 이동 평균, 오실레이터 및 추세 추종 지표를 포함하여 거래 규칙 및 신호를 구축하는 데 사용할 수 있는 다양한 내장 기술 지표를 제공합니다. 사용자는 이러한 지표를 고유한 맞춤형 논리와 결합하여 고유하고 개인화된 전략을 만들 수 있습니다.
거래 전략의 성과를 검증하고 평가하기 위해 연사는 엄격한 백테스팅 수행의 중요성을 강조합니다. BlueShift를 사용하면 과거 데이터를 사용하여 전략을 백테스트하여 실제 거래 시나리오를 시뮬레이션할 수 있습니다. 이 플랫폼은 수익성, 손실 분석, 위험 조정 수익률 및 Sharpe 비율, Sortino 비율 및 Calmar 비율과 같은 다양한 비율을 포함한 포괄적인 성과 지표를 제공합니다.
전략이 백테스트되고 검증되면 발표자는 다음 단계는 라이브 거래 환경에 전략을 배포하는 것이라고 제안합니다. BlueShift는 여러 중개업체와의 통합을 제공하여 사용자가 플랫폼에서 직접 전략을 실행할 수 있도록 합니다. 이 완벽한 통합은 전략 개발에서 실시간 거래로의 원활한 전환을 보장합니다.
발표자는 Forex 전략 개발 및 백테스팅에 BlueShift를 사용할 때의 이점을 강조하면서 웨비나를 마무리합니다. 이 플랫폼은 사용자 친화적인 인터페이스, 다양한 재무 데이터 세트에 대한 액세스, 포괄적인 도구 및 지표 세트를 제공합니다. 트레이더가 외환 거래 전략을 쉽고 효율적으로 개발, 테스트 및 배포할 수 있도록 지원합니다.
웨비나는 BlueShift 플랫폼, 그 기능 및 외환 거래 전략 개발에서의 적용에 대한 자세한 개요를 제공합니다. 외환 시장, 다양한 모델링 접근 방식 및 강력한 백테스팅의 중요성에 대한 귀중한 통찰력을 제공합니다. Forex 거래 전략을 향상시키려는 거래자는 BlueShift가 무기고에서 귀중한 도구임을 알게 될 것입니다.
00:00:00 연사는 체계적인 거래 전략 연구 및 백테스팅을 위한 전략 개발 플랫폼인 Quantiacs BlueShift에 대한 개요를 제공합니다. 여기에는 내장된 재무 데이터 세트가 포함되어 있으며 클라우드에서 사용할 수 있으므로 사용자는 어디서나 전략을 개발하고 분석할 수 있습니다. 웨비나는 주로 FX에 초점을 맞추지만 다양한 시장의 주식 및 선물도 다루며 개발된 백테스팅 전략의 지적 재산은 전적으로 사용자에게 귀속됩니다. 연사는 계속해서 외환 시장에 대해 설명합니다. 이 시장은 일일 거래량이 약 5조에 달하는 가장 눈에 띄는 분산형 시장이며 그 중 3,000억은 소매 거래량입니다. 주식시장과 차별화되는 요소는 높은 레버리지, 손쉬운 숏팅, 낮은 변동성 등이며, 이에 대해 연사가 자세히 설명했습니다.
00:05:00 연사는 국제 수지, 금리, 인플레이션, 경제 성장 및 재정 정책과 같은 거시 경제 요인을 강조하면서 Forex 시장을 움직이는 요인에 대해 논의합니다. 갑작스러운 정치적, 지정학적 변화와 같은 중요한 이벤트뿐만 아니라 기업 및 헤징 흐름도 시장에 상당한 영향을 미칠 수 있습니다. 연사는 Forex 시장을 평가하기 위한 표준 또는 널리 인정되는 방법론이 없다고 지적하지만 일부 방법에는 구매력 평가 및 실질 실효 환율이 포함되며 대형 기관 및 IMF가 선호하는 고급 방법이 있습니다. 연사는 또한 단기 자금 조달 시장이 유동성을 촉진하고 익일 롤오버 비용을 결정하기 때문에 그 중요성을 강조합니다.
00:10:00 연사는 외환 거래 전략 개발 및 백테스팅에 대한 다양한 접근 방식에 대해 논의합니다. 한 가지 접근 방식은 통화 모델 및 행동 균형 환율 모델과 같은 경제 모델을 통한 것인데, 둘 다 계량 경제학 방법을 사용하여 데이터를 분석합니다. 시계열 예측, 비선형 시계열 및 신경망과 같은 다른 데이터 기반 모델도 단기 외환 거래에 사용할 수 있습니다. 그런 다음 발표자는 BlueShift 플랫폼을 소개합니다. BlueShift 플랫폼은 사용자가 무엇보다도 데이터 세트, 시작 자본 및 메타데이터 설명을 입력할 수 있도록 하여 거래 전략을 개발하고 테스트하기 위한 사용자 친화적인 인터페이스를 제공하고 전체 거래를 위한 도구를 제공합니다. 백 테스트 및 빠른 백 테스트 실행. 이 플랫폼은 Python의 Zipline API를 기반으로 구축되었으며 사용자를 위한 표준 전략 템플릿을 제공합니다.
00:15:00 연사는 외환 거래 전략의 기본 구조와 백테스팅에 필요한 주요 기능에 대해 논의합니다. 첫 번째 기능은 "초기화"라고 하며 Baptist 매개변수와 회계 매개변수를 설정합니다. 두 번째 기능은 거래 세션이 시작될 때 하루에 한 번 호출되는 "거래 시작 전"이고 미니 데이터 세트에 대해 매분 호출되는 "데이터 처리"입니다. 마지막으로 "전략" 기능은 특정 시간과 날짜에 대해 API를 사용하여 예약되고 규칙은 사용자가 정의합니다. 빠른 Baptist를 실행한 후 사용자는 Baptist 탭에 액세스하여 주식 곡선, 티어 시트 및 기타 통계를 포함한 다양한 데이터 세트를 볼 수 있습니다.
00:20:00 연사는 거래 전략을 분석하기 위한 일련의 보고서를 제공하는 테어 시트와 그 유용성에 대해 논의합니다. 테어 시트에는 최대 오메가 비율, Sortino 비율, 왜도, 첨도, 시계열의 안정성 등과 같은 매개변수가 포함됩니다. 또한 연사는 Blueshift를 사용하여 초기화부터 시작하여 거래 시작 전을 거쳐 데이터를 처리하고 일정 기능, 수수료 설정, 슬리피지 설정, 계정 통화 설정과 같은 유용한 API 기능을 사용하는 작업 흐름을 설명합니다. 외환 시장의 경우 Zip Line의 재무 모듈에서 GDP, 인플레이션, 단기 금리 및 장기 금리와 같은 전략 및 가져오기 데이터에 대한 매개 변수를 포함하는 표준 템플릿을 사용할 수 있습니다.
00:25:00 발표자가 외환 거래 전략을 개발하기 위한 기본 템플릿을 설정하는 방법에 대해 설명합니다. 그들은 하나의 중앙 위치에 매개변수를 유지하고, 유니버스를 정의하고, 롤오버를 계산하기 위해 예약된 기능을 사용하는 것의 중요성을 설명합니다. 또한 커미션 및 슬리피지를 설정하는 방법과 롤오버 및 기술 지표를 계산하는 방법을 재정의하는 방법을 자세히 설명합니다. 내장 기술 지표에 액세스하기 위한 유용한 리소스로 기술 분석 라이브러리를 언급합니다. 마지막으로 그들은 백 테스트 실행이 어느 시점에서든 취소될 수 있음을 강조하고 이 기본 템플릿을 사용하여 보다 복잡한 전략 개발을 시작할 것을 제안합니다.
00:30:00 연사는 외환의 체계적인 전략과 요인을 체계적으로 찾고 활용하는 방법에 대해 논의합니다. 밸류, 모멘텀, 캐리, 방어전략 등의 위험요인은 외환거래의 4대 기본요인입니다. 가치는 밸류에이션 측면에서 순위 통화에 초점을 맞추는 반면, 모멘텀은 시계열과 횡단면 모멘텀의 차이에 의존하여 최상위 증권에 롱 포지션을 취하고 최하위 종목에 숏 포지션을 취합니다. 캐리 전략은 통화 쌍 간의 금리 차이를 이용합니다. 마지막으로 방어 전략은 저위험 통화는 저평가된 반면 고위험 통화는 과대평가되었다고 가정하고 위험 조정 수익률에 초점을 맞춥니다.
00:35:00 발표자는 BlueShift 플랫폼을 사용하여 다양한 거래 아이디어를 개발하고 백테스트하는 방법을 시연합니다. 특히, 그는 거래 유니버스의 각 통화 쌍에 대한 비율 차이를 계산하고 상위 숫자에 대해 롱 포지션을 취하고 하위 숫자에 대해 숏 포지션을 취하도록 정렬하는 시그널 함수 캐리라는 새로운 함수를 소개합니다. 모멘텀 팩터와 밸류 팩터에도 동일한 접근 방식을 적용하며, 앞의 세 가지 전략을 결합하여 팩터 바스켓 전략도 만듭니다. 발표자는 주로 관련 신호 기능을 정의하고 재조정 기능의 적절한 위치에서 호출하는 것과 관련되므로 다양한 전략을 개발하는 데 필요한 노력이 최소화됨을 강조합니다.
00:40:00 연사는 대부분의 작업을 자동으로 수행하는 템플릿을 사용하여 최소한의 작업으로 다양한 Forex 거래 전략을 만들 수 있는 방법을 설명합니다. 연사는 또한 퀀트, 테크니컬 데이 트레이더, 펀더멘털 트레이더 등 자신의 트레이딩 스타일에 따라 탐색할 수 있는 전략 유형을 구성하는 전략 스펙트럼을 공유합니다. 스펙트럼은 추세 시장, 광물 시장, 돌파 또는 캐리 시장인지 여부에 관계없이 수평축에서 자신의 이익의 기원을 보여줍니다. 거의 평평합니다. 그런 다음 스피커는 모멘텀 유형의 전략, 시계열 및 단면 전략, 통계적 차익 거래와 같은 각 거래 스타일에 대한 다양한 거래 전략을 설명합니다.
00:45:00 연사는 Forex 거래 시 기본적, 기술적, 정량적 분석을 결합하는 것의 중요성에 대해 논의합니다. 기술 및 양적 분석은 일반적으로 배포하기 쉽고 체계적인 전략에 대한 신뢰를 생성하지만 기본 거래 스타일의 가장 큰 가치는 이벤트 기반 거래에서 나온다고 설명합니다. 그런 다음 스피커는 유니버스 선택, 신호 생성, 대상 포트폴리오 결정 및 지속적인 개선을 위한 성과 분석을 포함하는 체계적인 거래 전략의 설계 주기를 설명합니다. 그들은 또한 예측 편향과 같은 백 테스팅 오류를 피하고 짝수 기반 백 테스팅을 위해 Blueshift와 같은 강력한 플랫폼을 활용하는 것의 중요성에 대해서도 다룹니다.
00:50:00 연사는 아이디어 단계에서 시작하여 백테스팅 단계로 이동하여 Forex 거래 전략을 만드는 것과 관련된 다양한 단계에 대해 논의합니다. 그는 상관관계가 없는 전략을 만드는 것의 중요성을 강조합니다. 전략은 항상 하나보다 낫습니다. 발표자는 또한 LE 기준, 동일 가중 및 모멘텀 가중 전략과 같은 위험 자본 배분을 위한 다양한 방법을 언급합니다. 또한 Bollinger Bands 기술 지표를 사용하여 예제 전략을 제공하고 백 테스트 결과의 인상적인 통계를 보여줍니다. 그는 일관성을 보장하고 과적합을 피하기 위해 시간 경과에 따른 전략 수익의 안정성을 측정하는 것의 중요성을 강조하면서 결론을 내립니다.
00:55:00 연사는 모멘텀 기반 전략과 상관 관계 기반 모멘텀 거래 전략을 포함하여 그들이 개발한 다양한 거래 전략에 대해 논의합니다. 또한 매일 시작 시 다양한 기술 지표를 계산하고 이를 사용하여 롱 또는 숏을 결정하는 "FX Daily" 템플릿을 제공합니다. 연사는 과학적 방법으로 백테스팅 전략의 중요성을 강조하고 전략이 백테스팅에서는 잘 수행되지만 실시간 거래에서는 실패할 수 있는 최적화의 함정을 피합니다. 목표는 소수의 변형 세트를 기반으로 성능을 백테스팅하는 것이 아니라 미래 지향적인 라이브 성능을 최적화하는 것입니다.
01:00:00 연사는 거래 아이디어를 개발하고 백테스팅할 때 과도한 최적화 문제에 대해 논의합니다. 과도한 최적화는 샤프 비율의 감소로 이어져 비효율적인 실시간 거래를 초래할 수 있습니다. 화자는 이 문제를 해결하기 위해 네 가지 옵션을 제안합니다. 한 가지 제안은 시장 변화에 반응하는 적응형 전략을 사용하는 것입니다. 또 다른 제안은 변화 지점 분석 또는 숨겨진 Markov 모델과 같은 통계 솔루션을 사용하여 시장의 변화에 따라 전략을 뒤집는 것입니다. 세 번째 제안은 이론적으로나 경험적으로 수익성 있는 거래를 제공하는 것으로 입증된 요인을 식별하기 위해 안정적인 요인 연구를 수행하는 것입니다. 마지막으로 발표자는 모델이 과적합되지 않았는지 확인하기 위해 최적화 프로세스에서 사용되지 않은 데이터에 대해 모델을 테스트하는 Out-of-sample 테스트를 사용할 것을 권장합니다.
01:05:00 비디오는 외환 거래에서 안정적이고 일관된 수익으로 이어질 수 있는 요소 추출 및 격리의 중요성에 대해 설명합니다. 그러한 요인 중 하나는 강력한 실증적 기반을 가지고 있으며 간헐적인 모멘텀 붕괴를 제외하고는 모든 시장에서 좋은 전략이 될 수 있는 모멘텀입니다. 비디오는 또한 시계열의 연속성을 무너뜨리기 때문에 FX 시장에서 어려울 수 있는 교차 검증과 같은 검증 기술에 대해 이야기합니다. 대신 거래자는 생성된 신호의 수와 각 거래의 기간을 계산하여 다른 신호 세트를 무작위화하고 이를 백테스트된 신호와 비교하여 전략이 얼마나 강력한지 결정할 수 있습니다. 또한 동영상은 자동화가 블랙박스가 아니며 트레이더가 P&L을 유발하는 기본 요소와 각 전략과 관련된 위험을 이해해야 한다고 강조합니다.
01:10:00 화자는 전략이 사람 대 기계에 관한 것이 아니라 사람과 기계가 함께 일하는 것에 관한 것이라고 제안합니다. 인간의 두뇌는 가설을 개발하는 데 더 적합한 반면 기계는 가설을 쫓는 데 더 빠릅니다. Blue Shift 플랫폼 사용자를 위한 전략 개발 조언 측면에서 연사는 컨텍스트 환경에서 모든 전략 매개 변수 사용, 계정 레버리지 확인, 주간 또는 일일 전략에 대한 일정 기능 사용, 연습 결과 테스트 및 오버피팅 확인을 권장합니다. 또한 사용자는 플랫폼의 Github 계정에서 사용할 수 있는 특정 Forex 전략을 시도하고 필요한 경우 지원을 요청하는 것이 좋습니다. 마지막으로 FXCM의 Liza는 사용자가 FX 시장 데이터에 대해 궁금한 점이 있으면 연락하도록 초대합니다.
01:15:00 발표자는 세션이 녹화될 것인지(예), 실시간 거래가 가능한지(아니오), 플랫폼 및 전략 테스트에 대해 이야기할 것인지(이미 답변됨)와 같은 사용자의 다양한 질문에 답변합니다. 그들은 또한 현재 미국 및 인도 주식 시장과 fxcm을 통해 상위 10개 통화를 다루고 있지만 곧 암호화폐를 추가할 계획이라고 말합니다. 연사는 또한 현재 좋은 디버거가 없지만 기본 인쇄 문을 사용할 수 있다고 언급하면서 디버깅 문제를 해결합니다. 마지막으로 그들은 Python이 "계산하지 않음"을 허용하지 않지만 사용자가 의미하는 바를 이해하지 못한다고 언급합니다.
01:20:00 연사는 거시 경제 요인과 밀접하게 연결되어 있기 때문에 외환 시장에서 예상되는 모든 시장 움직임을 정확하게 포함하는 소량의 과거 데이터를 찾는 것이 어렵다는 점에 대해 논의합니다. 예상되는 모든 시장 조건을 나타낼 수 있는 데이터 세트를 정의하는 것은 어려운 일입니다. 연사는 초보자에게 외환 거래를 배우기 위해 특정 책을 추천할 수는 없지만 IMF와 같은 중앙 은행의 연구 기사는 초보자에게 좋은 출발점이 될 외화 중심 보고서를 제공합니다. 고주파 거래 측면에서 초당 수천 건의 주문을 보내는 것은 일반적으로 소매 거래자에게 지속 가능하지 않으며 연사는 데이터를 샘플 내 테스트와 샘플 외 테스트로 나눌 것을 제안하지 않습니다. 대신 무작위 신호를 생성하기 위해 무작위 테스트를 권장합니다.
01:25:00 연사가 백테스팅과 팩터 기반 투자에 대해 논의합니다. 그들은 결과를 더 잘 이해하기 위해 백테스팅에서 거래의 신호와 기간을 분석하는 것의 중요성을 강조합니다. 그들은 또한 과밀과 팩터가 지속적으로 작동하지 않는다는 의미인 베타라는 사실과 같은 팩터 기반 투자의 잠재적 위험에 대해 논의합니다. 그러나 그들은 팩터 기반 투자가 장기적으로 비기술적인 개인에게 좋을 수 있음을 시사합니다. 연사는 또한 거래에 필요한 통계적 배경과 분석을 위한 추가 Python 라이브러리의 가용성에 대한 질문에 답합니다. 그들은 Python에 대한 기본 지식이 도움이 되지만 프로그래밍 언어에 대한 전문 지식보다는 전략 논리를 개발하는 데 중점을 두어야 한다고 결론을 내립니다. 그러나 현재 잠재적인 성능 및 정렬 문제로 인해 15분 간격으로 리샘플링할 수 있는 내장 함수가 없습니다.
01:30:00 화자는 사용자가 더 효율적으로 사용할 수 있도록 미스터리 샘플링 라이브러리를 만드는 것보다 리프와 앰플을 만들어 데이터베이스에 저장하고 기성품 출력으로 제공하는 것이 가장 좋다고 생각합니다. 가격 조치 전략 측면에서 화자는 이를 효과적으로 개발하려면 최소한 레벨 2 이상의 데이터가 필요하다고 경고합니다. 또한 그들은 현재 사용 가능한 데이터가 효율적인 가격 조치 전략을 만들기에 충분하지 않으며 곧 제공하지 못할 수도 있다고 말합니다. MCX 외부에서 통화 쌍 거래에 대한 법적 규정에 대해 질문을 받았을 때 화자는 투자 또는 헤지 목적을 위한 검증이 필요하며 그 이상은 많이 알지 못한다고 말했습니다.
01:35:00 발표자는 거래 전략에서 기술 지표를 결합하고 실제 시장 상황에서 구현하기 전에 데모 계정을 사용하여 백 테스트하는 과정을 설명했습니다. 연사는 트레이더들이 유사한 지표 대신 서로를 보완하는 지표를 선택해야 하며 전략에서 각 지표의 중요성을 인식해야 한다고 강조했다. 데모 계정을 통해 거래자는 실제 자금을 위험에 빠뜨리기 전에 다양한 시나리오에서 전략을 테스트하고 효과를 평가할 수 있습니다.
연사인 Nitesh Khandelwal은 지난 8년 동안 알고리즘 및 양적 거래 교육을 제공한 회사인 ConTeSt와 자신을 소개합니다. 그는 공학 시절부터 은행 업계에서의 경험에 이르기까지 개인적인 배경을 공유하는 것으로 시작합니다. 그런 다음 컨설팅, 교육 및 고주파 거래(HFT) 도메인 거래로의 원활한 전환을 제공하는 6개월 프로그램인 EPAT(Executed Program Algorithmic Trading)의 출시를 강조합니다. Khandelwal은 싱가포르에서의 경험을 언급하면서 전 세계 거래소에 대한 테스트를 설정하고 비즈니스를 글로벌 규모로 확장했습니다.
계속해서 Khandelwal은 알고리즘 거래와 DIY(do-it-yourself) 거래와 비교하여 그 성장에 대해 논의합니다. 그는 아시아, 유럽 및 미국에서 알고리즘 거래가 크게 증가하고 있음을 나타내는 통계를 공유하며 거래자들이 이제 브로커에 의존하기보다 자신의 거래 결정을 선호하는 방식을 강조합니다. 그러나 그는 알고리즘 거래가 인도 시장 활동의 상당 부분을 차지하지만 소매 참여는 상대적으로 낮다고 지적합니다. Khandelwal은 금융 일자리를 대체하는 로봇의 역할 증가를 탐구하는 Bloomberg의 기사를 참조합니다.
Khandelwal은 계속해서 소매 거래자들이 알고리즘 거래를 채택할 수 없었던 이유를 설명하고 알고리즘 거래가 위협이 아닌 조력자가 되도록 하는 방법을 제안합니다. 그는 통계 및 기술 지식의 필요성, 양질의 시장 데이터 및 효율적인 중개인에 대한 액세스, 자동화로 전환할 때 실무자의 지침을 강조합니다. 그는 이러한 요구 사항을 해결하고 알고리즘 거래 또는 전략 자동화에 관심이 있는 개인에게 지침을 제공하기 위해 EPAT가 어떻게 만들어졌는지 설명합니다.
다음으로 Khandelwal은 EPAT의 기능에 대해 설명합니다. 그는 이 프로그램이 실무자, 도메인 전문가 및 주요 펀드 매니저가 만든 풍부한 콘텐츠를 제공한다고 언급합니다. 커리큘럼은 시장 요구 사항에 맞게 지속적으로 업데이트되며 업데이트된 콘텐츠에 대한 평생 액세스가 제공됩니다. EPAT에는 문의 사항을 해결하기 위한 전담 지원 팀, 졸업생을 위한 교수진 지도, 취업 기회, 거래 데스크 설정, 관련 중개인 및 데이터 공급업체 찾기 등을 지원하는 경력 셀이 포함됩니다. 또한 EPAT 참가자는 자신에게만 제공되는 독점 기능에 액세스할 수 있습니다.
Khandelwal은 모든 참가자가 같은 페이지에서 코스를 시작할 수 있도록 하는 EPAT의 입문서 모듈의 중요성을 강조합니다. 입문서 모듈은 알고리즘 거래의 기본 구성 요소인 Excel, Python, 통계 및 금융 시장의 기본 사항을 다룹니다. 그는 프로그램에서 최대 가치 추출을 제공하기 위해 시간이 지남에 따라 프라이머 모듈이 어떻게 진화하는지 설명합니다. 또한 Khandelwal은 알고리즘 및 전당포 거래에서 가장 널리 사용되는 프로그래밍 언어로서 Python의 관련성을 논의하여 EPAT 프로그램에 Python을 포함시켰습니다.
그런 다음 연사는 EPAT에서 다루는 다양한 모듈과 접근 방법에 대해 자세히 설명합니다. 이 프로그램은 Python의 데이터 분석 및 모델링, 고급 통계 방법론, 주식 효과 및 선물 전략, 거래를 위한 기계 학습을 다룹니다. Khandelwal은 알고리즘 거래의 옵션 거래 전략, 포트폴리오 최적화 및 운영 위험뿐만 아니라 거래 전략 이면의 인프라와 운영을 이해하는 것이 중요하다고 강조합니다. 그는 또한 도메인 전문가의 멘토링 아래 프로젝트를 완료하고 검증된 인증서를 얻기 위해 EPAT 시험을 치르는 것의 중요성을 강조합니다.
Khandelwal은 6개월에 걸쳐 100시간 이상의 강의실 연결, 실습 경험 및 300시간 이상의 교과 과정을 포함하는 EPAT 인증 프로그램에 대한 개요를 제공합니다. 그는 실무자, 학자 및 성공적인 거래자를 포함하여 프로그램을 가르치는 저명한 교수진을 언급합니다. 이 프로그램은 배치 기회를 제공하고 이력서 및 인터뷰 준비, 기술 격차 식별, 중개인 및 투자 은행과 같은 배치 파트너에 대한 액세스에서 참가자를 지원합니다. EPAT 참가자는 Contra Blue 시뮬레이터와 같은 고급 백테스팅 도구뿐만 아니라 특권 중개 데이터 및 API 제공자에 대한 액세스 권한도 얻습니다.
또한 Khandelwal은 EPAT의 이점과 참가자에게 가치를 추가하는 방법에 대해 설명합니다. 그는 인도 시장과 S&P 500 주식에 대한 세부 데이터에 대한 액세스, 지속적인 학습 기회, 경력 지원 및 동창회에 대해 언급합니다. 그는 EPAT가 단순한 인증서를 넘어 기존 기술 세트에 근본적인 양적 차원을 제공한다고 강조합니다. Khandelwal은 EPAT가 기성 작업 전략을 제공하기보다 참가자들에게 거래 전략을 만들고 검증하는 방법을 가르치는 데 중점을 둔다고 설명합니다. 그는 전략의 성공률이 인프라 액세스, 위험 관리 및 위험 성향과 같은 요인에 따라 다르다는 것을 인정합니다.
Khandelwal은 기술 분석가가 EPAT를 연구한 후 MACD 교차, 이동 평균 및 RSI와 같은 전략을 사용하여 거래를 자동화할 수 있는지 여부에 대한 질문에 답합니다. 그는 프로그램이 이러한 전략을 다루고 참가자가 거래를 자동화할 수 있는 지식과 도구를 갖도록 보장한다고 확인합니다.
그런 다음 스피커는 자신의 알고리즘 트레이딩 데스크를 시작하는 데 필요한 투자에 대해 논의하고 애널리스트의 세금은 데스크의 빈도에 따라 다르다고 설명합니다. 그는 EPAT가 주로 저주파 및 중빈도 거래에 초점을 맞추지만 고주파 전략의 측면도 다루고 있다고 언급합니다. 이 프로그램은 Python, Excel, R 및 MATLAB을 결합하며 프로그래밍 기술과 개념적 명료성이 필요합니다. EPAT는 학생들이 자신의 트레이딩 데스크를 설정할 수 있도록 지침을 제공합니다. EPAT는 취업 알선을 보장하지는 않지만 취업을 원하는 졸업생에게 지침을 제공합니다.
Khandelwal은 EPAT가 배치 보장을 제공하지는 않지만 지원자가 프로그램에 등록하기 전에 알고리즘 거래에 대한 기본적인 이해를 할 수 있도록 상담을 제공한다고 설명합니다. 그는 프로그램의 광범위한 배치 파트너 네트워크로 인해 일자리를 얻거나 경력을 변경하는 데 적극적으로 찾는 많은 EPAT 학생의 성공을 강조합니다. 그는 EPAT의 학습 관리 시스템이 모든 세션과 업데이트된 콘텐츠에 대한 평생 액세스를 제공하며 코스에는 약 300시간의 시간 약속이 필요하며 매일 1시간을 할애하여 3개월에 걸쳐 퍼질 수 있다고 언급합니다. Khandelwal은 EPAT가 실용적인 구현에 중점을 두는 것이 이론 과정과 차별화된다는 점을 강조합니다.
Khandelwal은 선진 시장의 경우 $4,720, 인도의 경우 INR 189,000에 GST를 더한 EPAT 과정의 수수료 구조에 대해 설명합니다. 그는 또한 전략을 코딩하기 위한 중개인과 API의 필요성을 언급하고 EPAT 팀이 인도와 싱가포르에서 더 많은 성공을 거두었지만 참가자들은 홍콩에서 경력 지원을 기대할 수 있다고 설명합니다. 그는 EPAT 모듈이 상호 의존적이며 전체적으로 받아들여야 하지만 거래 지식이 제한적인 사람들에게는 매일 1~2시간의 노력으로 충분해야 한다고 조언합니다. 그는 EPAT 과정이 모든 유형의 거래 전략 패러다임을 다루고 참가자와 졸업생에게 원격 작업 기회를 제공한다고 언급하며 결론을 내립니다.
마무리 발언에서 발표자는 EPAT 프로그램이 포괄적이며 모든 모듈에 대한 완전한 액세스를 제공하므로 알고리즘 트레이딩 분야에 진출하려는 기술 배경을 가진 개인에게 유용하다고 강조합니다. 그들은 EPAT 참여자가 프로그램을 마친 후 자신의 벤처를 시작하거나 저명한 회사에서 일자리를 확보하는 많은 경우와 함께 해당 영역에서 가능한 다양한 직업 기회를 언급합니다. 연사는 이 분야에서 성공하기 위해 기본적인 통계, 상관관계 및 회귀를 이해하는 것이 중요하다고 강조합니다. 마지막으로 그들은 자동 거래 전략이 이익을 창출하고 인도 전체 거래량의 거의 50%를 차지한다고 강조하여 알고리즘 거래에 관심이 있는 사람들에게 상당한 잠재력을 나타냅니다.
00:00:00 Nitesh Khandelwal이 자신과 지난 8년 동안 알고리즘 및 양적 거래 교육을 제공해 온 ConTeSt라는 회사를 소개합니다. 그는 또한 엔지니어링 시절부터 은행 업계에서의 경험에 이르기까지 개인 배경을 공유하고 마침내 컨설팅, 교육 및 거래로의 원활한 전환을 제공하는 6개월 프로그램인 EPAT(Executed Program Algorithmic Trading)를 시작했습니다. 고주파 거래(HFT) 도메인. Khandelwal은 또한 전 세계 거래소를 위한 테스트를 설정하고 글로벌 관점에서 비즈니스를 확장한 싱가포르에서의 경험에 대해 간략하게 설명합니다.
00:05:00 Nitesh Khandelwal이 Core Density에 대한 자신의 경험과 그들이 양적 거래 산업의 청중과 참여자에게 더 많은 가치를 추가하는 방법에 대해 이야기합니다. 그런 다음 청중에게 이전에 거래한 적이 있는지 묻고 인도 증권 거래소 위원회의 정의 및 유럽의 MiFID II 규정과 같은 알고리즘 거래의 정의에 대한 규제 문서의 스니펫을 공유합니다. Khandelwal은 체계적인 거래가 자동화되고 특정 알고리즘을 사용할 때 알고리즘 거래로 간주된다고 설명합니다.
00:10:00 Nitesh Khandelwal이 알고리즘 거래에 대해 논의하고 이를 DIY(DIY) 거래와 비교합니다. 알고리즘 거래는 2004년 몇 퍼센트 포인트에서 2016년 30% 이상으로 아시아에서 크게 성장했으며 현재 미국 거래의 66%, 유럽 44%를 차지합니다. 알고리즘 거래의 증가는 이제 중개인에 의존하지 않고 스스로 거래 결정을 내리는 거래자의 수에 비례합니다. 그러나 알고리즘 거래가 인도 시장 활동의 30-45%를 차지하는 반면, 소매 참여는 약 2%에 불과한 것으로 추정됩니다. 그런 다음 Khandelwal은 로봇이 금융 직업 시장에서 점점 더 다양한 역할을 대체하고 있음을 강조하는 Bloomberg의 기사를 언급합니다.
00:15:00 Nitesh Khandelwal은 소매 거래자가 알고리즘 거래를 채택할 수 없는 이유와 이것이 위협이 아닌 조력자가 되도록 하기 위해 무엇을 할 수 있는지 설명합니다. 그는 양적 또는 자동 거래에는 통계 및 기술 노하우와 효율적인 중개인을 통한 양질의 시장 데이터 및 시장에 대한 액세스가 필요하다고 강조합니다. 특히 트레이더가 알아야 할 많은 요소가 있기 때문에 자동화로 전환할 때 실무자 지침도 중요합니다. Khandelwal은 이러한 요구 사항을 해결하기 위해 EPAT가 어떻게 만들어졌는지 설명하고 알고리즘을 추구하거나 전략을 자동화하려는 사람들에게 지침을 제공합니다.
00:20:00 Nitesh Khandelwal이 EPAT의 기능에 대해 논의합니다. 이 프로그램은 실무자, 도메인 전문가 및 주요 펀드 매니저가 만든 풍부한 콘텐츠로 구성됩니다. 커리큘럼은 시장 요구 사항에 맞게 지속적으로 업데이트되며 업데이트된 콘텐츠에 대한 평생 액세스가 제공됩니다. 이 프로그램은 정의된 기간 내에 쿼리를 해결하는 전담 지원 팀을 제공하고 졸업생은 쿼리 해결에 대한 교수진의 지도를 받습니다. EPAT는 취업 기회 찾기, 트레이딩 데스크 설치, 관련 중개인 찾기, 데이터 공급업체 또는 협업 등을 지원하는 경력 셀을 제공합니다. 또한 이 프로그램에는 EPAT 참가자만 사용할 수 있는 독점 기능이 포함되어 있습니다.
00:25:00 Nitesh Khandelwal이 과정을 시작하기 전에 EPAT 프로그램에 참여하는 모든 사람이 같은 페이지에 있는지 확인하는 데 입문서 모듈이 어떻게 중요한 역할을 하는지 설명합니다. 입문서 모듈은 알고리즘 거래의 구성 요소인 Excel, Python, 통계 및 금융 시장의 기초를 다룹니다. Khandelwal은 입문서가 프로그램에서 최대한의 가치 추출을 보장하기 위해 시간이 지남에 따라 더욱 상호 작용하도록 진화하는 방법을 설명합니다. 또한 Khandelwal은 Python이 지난 몇 년 동안 알고리즘 거래 및 전당포 거래 세계에서 가장 관련성 높은 프로그래밍 언어가 되었으며, 이것이 그들이 프로그램에서 C++ 및 Java를 Python으로 대체한 이유에 대해 설명합니다.
00:30:00 Nitesh Khandelwal이 EPAT에서 다루는 다양한 모듈과 접근 방법에 대해 설명합니다. 첫 번째 모듈은 Python의 데이터 분석 및 모델링과 관련되며, 다양한 API를 사용하여 데이터를 가져오는 방법, 전략에서 데이터를 분석 및 사용하는 방법, 전략을 코딩하고 주문을 보내는 방법과 같은 주제를 다룹니다. 그런 다음 ARIMA, ARCH 모델 및 가우시안 혼합 모델과 같은 고급 통계 방법론을 다루는 모듈로 진행합니다. 그 다음에는 다양한 실행 전략, 최적화 및 모멘텀/통계적 차익 거래를 다루는 주식 효과 및 선물 전략 모듈이 소개됩니다. 비디오는 점차 인기를 얻고 있으며 EPAT 과정에서 정기적으로 다루는 거래를 위한 기계 학습에 대한 토론으로 끝납니다.
00:35:00 Nitesh Khandelwal은 자동차 내부를 이해해야 하는 F1 자동차 경주 드라이버의 비유를 사용하여 거래 전략 이면의 인프라와 운영을 이해하는 것의 중요성을 설명합니다. 그는 또한 위험 관리 관점에서 옵션 거래 전략, 포트폴리오 최적화, 알고리즘 거래에서 운영 위험의 중요성과 같은 주제를 다룹니다. 또한 관련 도메인 전문가의 멘토링 아래 프로젝트를 완료하고 EPAT 시험을 치르는 것이 산업에 대한 검증된 인증서를 얻는 것의 중요성을 강조합니다.
00:40:00 Nitesh Khandelwal이 6개월 동안 완료해야 하는 100시간 이상의 강의실 연결, 실습 경험 및 300시간 이상의 교과 과정으로 구성된 EPAT 인증 프로그램에 대해 설명합니다. 이 프로그램은 실무자, 학자 및 성공적인 거래자가 포함된 알고리즘 거래 산업에 크게 기여한 저명한 교수진 그룹이 진행합니다. 교수진은 업계 최고의 전문가를 초빙 강사로 초빙하고 EPAT 인증 프로그램에는 배치 기회도 포함됩니다.
00:45:00 Nitesh Khandelwal은 CV 및 인터뷰 준비, 기술 격차 식별 및 채우기, 주요 브로커 및 투자 은행과 같은 배치 파트너에 대한 액세스 제공을 포함하여 EPAT 프로그램이 참가자를 도울 수 있는 방법에 대해 논의합니다. EPAT 참여자는 권한 있는 중개 데이터 및 API 제공자에 액세스할 수 있으며 일부는 제한된 시간 동안 무료 거래를 제공합니다. 이 프로그램은 독점적인 이벤트 및 세션, 브로커 및 API에 대한 보조금 액세스, ContraBlue 시뮬레이터와 같은 고급 백 테스트 도구를 통해 졸업생에게 인정 및 부가 가치를 제공합니다.
00:50:00 Nitesh Khandelwal은 인도 시장 및 S&P 500 주식에 대한 분 단위 데이터 액세스, 지속적인 학습, 경력 지원 및 동창회와 같은 EPAT의 이점 중 일부를 설명합니다. 그는 EPAT가 단순한 인증서 그 이상이며 기존 기술 세트에 근본적인 양적 차원을 추가한다고 강조합니다. Khandelwal은 또한 EPAT가 작업 전략을 제공하는 것이 아니라 전략을 생성하고 검증하는 방법을 배우는 것이라고 설명합니다. 그는 전략의 성공률에 대한 질문에 대답하고 인프라에 대한 접근성, 위험 관리 및 위험 선호도와 같은 요인에 따라 사람마다 다르다고 설명합니다. 마지막으로 Khandelwal은 기술 분석가가 EPAT를 공부한 후 MACD 크로스오버, 이동 평균 및 RSI와 같은 전략을 사용하여 거래를 자동화할 수 있는지에 대한 또 다른 질문에 답하며 프로그램에서 다루는 내용임을 확인했습니다.
00:55:00 Nitesh Khandelwal이 자체 알고리즘 트레이딩 데스크를 시작하는 데 필요한 투자와 분석가의 세금이 데스크 빈도에 따라 어떻게 달라지는지에 대해 논의합니다. 그는 EPAT가 주로 저주파 및 중빈도 거래 방식에 초점을 맞추지만 고주파 전략의 일부 측면도 가지고 있다고 언급합니다. 거래 과정은 Python, Excel, R 및 MATLAB을 결합합니다. 이 프로그램은 프로그래밍 기술과 개념적 수준의 명확성을 요구하며 학생들이 자신의 책상을 설치하도록 안내합니다. EPAT는 취업을 보장하지는 않지만 취업을 원하는 동창들에게 지침을 제공합니다.
01:00:00 Nitesh Khandelwal은 EPAT가 배치에 대한 어떠한 보장도 제공하지 않지만 지원자가 프로그램에 등록하기 전에 알고리즘 거래에 대한 기본 아이디어를 갖도록 상담을 제공한다고 설명합니다. EPAT는 이 틈새 및 실무자 중심 과정에서 배운 지식과 실용적인 구현 기술을 중요하게 여기는 100명에 가까운 배치 파트너의 방대한 네트워크 덕분에 적극적으로 구직하는 학생들 중 많은 학생들이 구직을 하거나 직업을 변경할 수 있도록 지원하는 데 성공했습니다. . EPAT의 학습 관리 시스템은 모든 세션과 업데이트된 콘텐츠에 대한 평생 액세스를 제공하며 코스는 약 300시간의 시간 약속이 필요하며 매일 1시간을 할애하여 3개월에 걸쳐 퍼질 수 있습니다. Khandelwal은 알고리즘 거래의 실제 구현에 대한 EPAT의 초점이 보다 이론적인 다른 과정과 차별화된다는 점을 강조합니다.
01:05:00 Nitesh Khandelwal이 선진 시장의 경우 $4,720, 인도의 경우 INR 189,000에 GST를 더한 EPAT 과정의 수수료 체계에 대해 논의합니다. 그는 또한 전략을 코딩하기 위한 중개인과 API의 필요성을 언급하고 참가자들이 홍콩에서 경력 지원을 기대할 수 있지만 EPAT 팀은 인도와 싱가포르에서 더 많은 성공을 거두었다고 설명합니다. Khandelwal은 EPAT 모듈이 상호 의존적이며 전체적으로 받아들여야 한다고 강조하지만 거래 지식이 거의 없는 사람들에게는 매일 1~2시간의 노력으로 충분해야 한다고 말합니다. EPAT 과정은 모든 유형의 거래 전략 패러다임을 다루며 참가자와 졸업생에게 원격 작업 기회를 제공합니다.
01:10:00 발표자는 EPAT 프로그램이 어떻게 포괄적이고 모든 모듈에 대한 완전한 액세스를 제공하는지에 대해 이야기하여 알고리즘 거래 분야에 진입하려는 기술 배경을 가진 참가자에게 유용합니다. 그들은 프로그램을 마친 후 자신의 벤처를 시작하거나 대기업에 취업하는 참가자의 수많은 사례를 통해 해당 영역에서 사용할 수 있는 다양한 직업 기회를 강조합니다. 또한 화자는 이 영역에서 성공하기 위해 기본 통계를 알고, 상관 관계 및 회귀를 이해하는 것이 중요함을 강조합니다. 마지막으로 그들은 자동 거래 전략이 돈을 벌고 인도 전체 거래량의 거의 50%를 차지한다고 제안합니다. 이는 이 분야에 관심이 있는 사람들에게 상당한 잠재력이 있음을 나타냅니다.
01:15:00 Nitesh Khandelwal이 전 세계 시장에서 일하는 실무자가 가르치는 실습 중심 프로그램인 EPAT 프로그램에 대해 설명합니다. 그는 초보자 트레이더에게 시장에 대해 더 많이 읽고 배우라고 조언하고 EPAT 프로그램에서 제공하는 블로그와 웨비나를 살펴볼 것을 제안합니다. 그는 또한 MCX가 알고 거래를 허용한다고 언급하고 거래 빈도 및 규제 요구 사항에 따라 자체 트레이딩 데스크를 설정하는 데 필요한 인프라 요구 사항에 대해 논의합니다. 또한 Khandelwal은 EPAT가 나이지리아와 아프리카 일부 지역에 졸업생을 두고 있으며 프로그램에 관심이 있는 사람들에게 비즈니스 팀과 연결하여 자세한 정보를 얻을 것을 조언합니다.
01:20:00 연사는 등록된 학생이 모든 강의, 녹음, 시험, 퀴즈 및 과제에 액세스할 수 있는 온라인 프로그램을 위한 학습 관리 시스템을 제공한다고 설명합니다. 이 프로그램은 완전히 온라인으로 진행되므로 필수 강의실 출석은 없습니다. 신입생의 급여는 배경, 기술 및 학력에 따라 다르지만 인도에서는 연간 500,000에서 200만 루피까지 다양합니다. 이 프로그램은 다양한 플랫폼에서의 백 테스트를 다루고 완전한 자동화를 지원합니다. 이 과정은 강사가 주도하며 매주 진행됩니다. 자기 주도적이지는 않지만 학생들은 녹음에 액세스할 수 있으며 강의를 놓친 경우 나중에 다시 방문할 수 있습니다. 연사는 또한 가능한 원격 작업 기회가 있을 수 있다고 제안합니다.
01:25:00 Nitesh Khandelwal은 EPAT 프로그램에 대한 몇 가지 최종 질문에 답변합니다. 한 가지 질문은 인도에 기반을 둔 트레이너의 수에 대해 묻고 Khandelwal은 약 50%가 인도 출신이고 나머지는 전 세계 여러 국가에서 온 것으로 추정합니다. 또 다른 질문은 프로그램과 함께 일하는 영국에 기반을 둔 브로커 또는 기관이 있는지 묻고 Khandelwal은 영국에 기반을 둔 브로커가 있음을 확인합니다. 그는 시청자에게 추가 질문이 있거나 도움이 필요한 경우 EPAT 팀에 연락할 것을 권장합니다. 전반적으로 Khandelwal은 개인이 경력 및 학습 목표를 달성하도록 돕는 EPAT 프로그램의 가치를 강조합니다.
알고리즘 거래에 관한 이 "무엇이든 물어보세요" 세션에서 알고 거래 회사인 Eragy의 공동 설립자인 Nitesh Khandelwal이 청중을 환영하고 주제에 대한 그의 전문 지식을 공유합니다. 이 세션은 플랫폼 및 중개인, 거래 전략, 시장 데이터, 취업 기회, 알고 거래 데스크 설정, 규정, 알고 거래의 미래, 학습 및 교육 기회를 포함하여 알고리즘 거래의 다양한 측면을 다루는 것을 목표로 합니다. Khandelwal은 세션이 사전 준비된 질문과 실시간 질문 사이의 균형을 맞출 것이며 답변되지 않은 질문에 대한 개별 후속 세션도 제공한다고 언급합니다.
발표자는 저주파, 중빈도 및 고주파 거래와 같은 다양한 거래 전략을 설명하는 것으로 시작합니다. 이러한 전략은 거래 인프라의 대기 시간과 주문 처리 시간을 기반으로 정의됩니다. 초점은 거래 전략의 대기 시간이 초당 실행되는 거래 수보다 더 중요하다는 점을 강조하는 데 있습니다. 그런 다음 이 섹션에서는 Yahoo Finance, Google Finance, Quandl, Alpha Vantage 및 FXCM과 같은 다양한 데이터 공급업체에 대해 논의하면서 시장 데이터 및 경제 데이터를 얻을 수 있는 위치를 자세히 설명합니다. 이러한 공급업체는 다운로드 가능한 데이터 또는 해당 플랫폼에서 사용할 수 있는 데이터를 제공합니다.
계속해서 발표자는 수동 다운로드, API 가져오기, Quandl, Global Data Feed, Trading Economics, Thomson Reuters 및 Active Financial과 같은 유료 벤더를 포함하여 알고리즘 거래를 위한 데이터 소스에 대해 논의합니다. 그들은 또한 고주파 거래자(HFT)가 일반적으로 수동 일일 거래자를 능가하는지 여부에 대한 질문을 다루며 분석되는 일일 거래자의 유형에 따라 다르다고 설명합니다. 트레이더가 차익 거래 기회나 시장의 비효율성을 이용한다면 기계가 수동 트레이더보다 빠를 수 있습니다. 그러나 트레이더가 철저한 조사 후 데이터를 분석하고 수동 주문을 실행하는 경우 기계가 반드시 더 효율적인 것은 아닙니다. 발표자는 과도하게 알고 거래되는 시장이 비생산적이라는 생각을 일축하고 자동화가 항상 고주파 거래를 요구하는 것은 아니라는 점을 분명히 합니다.
"팔꿈치"로 알려진 거래에서 알고리즘을 사용하는 개념을 설명합니다. 그것은 보다 효율적인 거래를 포함하며 수학 공식을 사용하여 자동화 및 정량화될 수 있습니다. 그러나 시장의 비효율성을 찾는 것은 어려울 수 있으며 고주파 거래 및 기술 인프라에서의 경쟁은 점점 더 비싸지고 있습니다. 연사는 또한 FBI의 중개 계정에서 여러 전략을 처리하는 방법에 대한 질문도 다룹니다.
통계 및 계량 경제학, 재무 컴퓨팅 및 퀀트 거래에 대한 지식을 포함하는 알고리즘 거래의 전제 조건이 논의됩니다. 발표자는 처음부터 시작하는 사람들이 Quant 웹 사이트에서 무료로 사용할 수 있는 리소스를 통해 이러한 핵심 요소에 대해 배울 수 있다고 언급합니다. 이미 거래 전략에 익숙하고 자동화를 원하는 거래자는 브로커 API를 사용하여 시작하여 결국 자체 플랫폼을 구축할 수 있습니다. 연사는 또한 틱 데이터에 대한 다양한 데이터 공급자를 설명하고 대부분의 벤더가 스냅샷 데이터를 제공하지만 고급 벤더는 더 높은 비용으로 진정한 틱 데이터를 제공할 수 있다고 언급합니다. 마지막으로, 현재 거래 전략으로 이미 성공한 트레이더의 경우 계속 업그레이드하고 실험하려는 경우가 아니라면 알고 트레이딩 학습이 필요하지 않을 수 있습니다.
기계가 실행을 처리하는 동안 감정 제어, 확장성 및 전략 작업을 위한 대역폭을 포함하여 거래 전략 자동화의 이점에 대해 논의합니다. 발표자는 알고리즘 트레이딩에서 성공하기 위한 프로그래밍 배경의 중요성을 강조하고 전 세계 대부분의 회사에서 Python을 널리 사용하고 있음을 강조합니다. 그러나 발표자는 고주파 거래는 소매 거래자에게 적합하지 않으며 일부 전략은 성공하기 전에 합리적인 금액의 자본이 필요할 수 있다고 조언합니다. 그럼에도 불구하고 Python에 대한 기본 지식이 있어도 알고리즘 거래를 시작할 수 있습니다.
통계, 계량 경제학 및 거래 전략에 대한 지식을 포함하여 알고리즘 트레이더가 되기 위해 필요한 기술에 대해 논의합니다. 연사는 또한 백오피스 역할에서 프런트오피스 거래 역할에 이르기까지 알고리즘 트레이딩의 다양한 경력 기회에 대해 설명합니다. 그들은 소프트웨어 및 데이터 과학 배경을 가진 개인이 알고 거래에 뛰어들 수 있다고 언급합니다. 그들의 배경이 이미 강력한 기반을 제공하고 금융 시장 측면을 선택하는 것이 상대적으로 더 쉬워야 하기 때문입니다. 발표자는 또한 이전 거래 경험 없이 알고리즘 거래로 성공적으로 전환한 QuantInsti의 40세 졸업생에 대한 블로그를 언급합니다. QuantInsti는 개인이 필요한 기술을 습득하고 경력을 발전시키는 데 적합한 사람들과 연결할 수 있도록 전용 경력 셀을 제공하는 기관으로 강조됩니다.
연사는 알고리즘 거래 언어와 연구 및 분석에서의 중요성에 대해 논의합니다. 초단타매매 회사는 대기 시간을 줄이기 위해 C++를 선호하지만 백테스팅 및 전략 평가에는 R과 Python이 더 많이 사용됩니다. 적중률 개선 및 연속 손실 관리에 대한 사용자의 질문에 대해 연사는 백 테스트에서 매개 변수를 최적화하고 샘플 내 및 샘플 외 거래를 활용하여 손실을 확인하도록 제안합니다. HFT 비율이 경쟁의 지표 역할을 하며 일반 차익 거래 전략은 포화도가 높은 시장에서는 성공하지 못할 수 있다고 말하는 화자와 함께 시장 포화도 해결됩니다.
다양한 알고리즘 트레이딩 전략을 더 자세히 살펴보며 일반 차익 거래 및 시장 조성 전략을 위한 강력한 기술 인프라의 필요성을 강조합니다. 연사는 총 비트 수량의 의미, HFT가 인도의 전통적인 거래자에게 미치는 영향, 알고 거래를 위해 데이터를 분석하는 데 사용되는 시간대를 포함하여 다양한 청중 질문에 참여합니다. 그들은 시간 지평이 거래 빈도에 달려 있다고 설명합니다. 또한 발표자는 소프트웨어 및 데이터 과학 배경을 가진 개인이 알고리즘 거래에 뛰어들도록 권장하며 그들의 배경은 이미 강력한 기반을 제공하고 있으며 금융 시장 측면에서 선택하는 것이 상대적으로 더 쉬워야 한다고 말했습니다.
Nitesh Khandelwal은 회사와의 거래 플랫폼 설정 가능성, 자동화에 대한 법적 승인, 비용 및 인도 시장 규정과 관련된 몇 가지 질문에 답합니다. 그들은 자신의 회사가 참가자와 졸업생에게 지침과 평생 지원을 제공하지만 컨설팅 서비스는 제공하지 않는다고 명시합니다. 자동화가 가능하며 비용은 필요한 인프라에 따라 다릅니다. 인도와 같은 국가에서는 각 거래 전략이 자동화되기 전에 승인이 필요하며 브로커만이 거래자를 대신하여 이를 수행할 수 있습니다. 전략에서 확률적 및 기본적 지표의 사용에 대해 논의하며 수동 또는 소프트웨어를 통해 사용할 수 있음을 언급합니다. 연사는 또한 알고리즘을 생성하기 위해 기계가 읽을 수 있는 뉴스와 경제 데이터를 읽을 수 있는 도구의 가용성에 대해 언급합니다.
이 세션에서는 인도 사람들이 비인도 시장에서 초단타매매(HFT)에 참여할 수 있는지 여부와 HFT가 소매 거래자들을 시장에서 멀어지게 하는지 여부를 조사합니다. 비인도 시장의 경우, RBA 승인 없이는 LRS 제도에 따라 외국 거래소에 상장된 거래 마진 상품에 대한 송금이 허용되지 않는다는 설명입니다. 그러나 글로벌 기업이 일부 거래를 인도 기업에 아웃소싱한다면 가능할 수 있다. HFT가 소매 거래자에게 미치는 영향과 관련하여 HFT의 존재는 시장에 유동성을 추가하고 스프레드를 축소하여 소매 거래자에게 혜택을 준다고 언급됩니다. 단, 선행매매와 같은 불법 행위는 도메인에 관계없이 허용되어서는 안 됩니다.
발표자는 초단타매매(HFT)가 개별 소매 거래자에게 해를 끼치지 않는다고 강조합니다. 이들은 일반적으로 기본적으로 수백 밀리초의 대기 시간이 내장된 웹 기반 브라우저를 사용하기 때문입니다. HFT 회사가 더 빠른 액세스 권한을 얻기 위해 불법적인 방법을 사용하더라도 소매 상인에게 영향을 미치지 않고 규칙을 따르는 다른 HFT 회사에 피해를 줍니다. 연사는 HFT가 차익 거래 기회를 없애기 때문에 소매 거래자들이 일반적으로 HFT가 창출하는 효율적인 시장의 혜택을 받는다고 강조합니다. 연사는 또한 영어로 알고리즘 거래 학습에 대한 질문에 답하고 지속적으로 수익성 있는 거래를 위한 몇 가지 중요한 구성 요소에 대해 논의합니다.
이 비디오는 시장이 끊임없이 변화함에 따라 알고리즘 거래 산업에서 지속적으로 진화하는 거래 전략의 중요성을 강조합니다. 인도의 많은 중개인이 알고리즘 거래를 지원하지는 않지만 일부는 semi-algo 또는 el-go와 같은 프로그래밍 방식 거래 옵션을 제공합니다. 연사는 또한 퀀트 분석가를 위한 고용 시장에 대해 논의하면서 박사 학위에만 국한된 것이 아니라 개인의 지식과 문제 해결 능력에 달려 있음을 강조합니다. 알고리즘 거래를 위한 하드웨어 및 인프라 요구 사항도 다루어집니다. 저주파 거래의 경우 Amazon 및 Google과 같은 회사에서 제공하는 적절한 노트북 또는 클라우드 컴퓨팅 옵션으로 충분합니다. 중간 빈도 거래에는 알고리즘 거래 플랫폼과 전문 서버가 필요하며 비용은 수천 달러에 달할 수 있습니다. 고주파 거래에는 $10,000에서 $25,000에 이르는 전문 서버가 필요합니다.
연사는 교환 및 위치에 따라 생방송을 진행하기 전에 필요한 승인에 대해 설명합니다. 그들은 EPAT 프로그램이 수익성 있는 전략을 보장하지는 않지만 포괄적인 범위의 주제를 다루고 실용적인 학습에 초점을 맞추고 있음을 분명히 합니다. 낮은 빈도, 중간 빈도 및 높은 빈도 알고리즘을 포함하여 자동 거래에 사용되는 다양한 유형의 알고리즘에 대해 설명합니다. 고주파수 알고리즘은 차익 거래, 시장 조성 및 더 빠른 컴퓨팅이 필요한 방향성 전략에 활용됩니다. 저주파 및 중주파 알고리즘은 기본 투자를 포함한 다양한 전략을 자동화할 수 있습니다. 모멘텀, 통계적 차익 거래, 옵션 기반 전략과 같은 대중적인 전략도 언급되며, 확장성, 감정 제어, 빅 데이터의 더 나은 분석과 같은 이점을 제공하는 알고리즘이 있습니다.
알고리즘 트레이딩에 관심이 있지만 프로그래밍 경험이 부족한 소매 트레이더를 위해 발표자는 기본 통계 및 트레이딩 전략을 배우는 것부터 시작할 것을 제안합니다. 자기 주도 학습을 위한 리소스를 제공합니다. Nitesh Khandelwal은 기존 거래 전략에 의존하기보다 자신만의 거래 전략을 만들어야 한다는 생각을 강조합니다. 그들은 또한 암호화폐 시장에서 알고 거래의 역할에 대해 언급하면서 일부 참여자는 암호화폐 거래를 위해 자동화 도구를 사용하지만 알고 거래가 암호화폐 붐의 유일한 원인은 아니라고 말했습니다. 알고 거래에 대한 인공 지능 및 머신 러닝의 잠재적 영향이 언급되었으며, 연사는 훈련 알고리즘에 필요한 컴퓨팅 성능의 경제성으로 인해 대규모 기관과 함께 개인 및 소매 거래자에게 힘을 실어줄 것이라고 강조했습니다.
연사는 금융 부문에서 발생하는 변화와 자동화로 인해 예상되는 알고리즘 거래에 대한 소매 참여의 증가에 대해 논의합니다. 대차대조표 데이터 리소스, 비금융 회사에서 알고리즘 트레이더로의 전환, CAGR(연간 복합 성장률) 및 알고리즘 거래의 승률에 대한 이상적인 숫자에 대한 청중의 질문을 다룹니다. 발표자는 수익률에만 초점을 맞추지 말라고 경고하고 대신 중요한 고려 사항으로 확장성, 강력한 인프라 및 기술을 강조합니다.
세션은 알고 트레이딩 사업을 시작하는 데 필요한 수익과 투자에 대해 논의할 때 위험을 고려하는 것의 중요성에 대해 논의하는 연사로 마무리됩니다. 투자는 필요한 인프라의 빈도와 유형에 따라 수천 달러에서 수십만 달러에 이를 수 있습니다. 발표자는 알고 거래 사업을 시작할 때 자동화 및 위험 관리가 고려해야 할 핵심 요소라고 언급합니다. 또한 인도의 실시간 데이터 가용성과 거래 전략의 승인 프로세스에 대한 통찰력을 제공하여 거래소가 전략의 세부 사항보다 위험 관리를 우선시한다는 점을 강조합니다. 마지막으로 연사는 인도 시장에서 좌익(레버리지 및 인트라데이) 전략을 백테스팅하고 작성하기 위한 좋은 웹사이트가 부족하다는 점을 인정합니다.
마지막 부분에서 연사는 참여자와 사용자에게 더 나은 노출과 혜택을 제공하는 것을 목표로 하는 Horn Insights의 다양한 시장을 위한 도구 개발에 대해 논의합니다. 그들은 경험과 배경과 같은 요인에 따라 달라진다는 점을 지적하면서 인도 퀀트의 급여 범위에 대한 질문을 다룹니다. 화자는 코로케이션이 조작이 아님을 강조하며 이를 기차로 여행하는 것보다 목적지에 더 빨리 도달하기 위해 비행기 여행에 돈을 지불하는 것과 비교합니다. 그들은 또한 대부분의 기술 지표 기반 전략이 Python을 사용하여 개발될 수 있다고 언급하고 알고리즘 거래 영역의 고급 프로그램이 널리 사용되지는 않지만 ANNIE pat 프로그램을 통해 평생 지침이 제공된다는 점을 강조합니다.
비디오의 마지막 순간에서 연사는 개인이 알고리즘 거래를 추구하도록 권장하고 시장이 수년에 걸쳐 크게 발전하여 소매 거래자들이 더 쉽게 접근할 수 있게 되었다고 언급합니다. QuantInsti 및 Horn Insights에서 사용할 수 있는 리소스를 탐색하여 알고리즘 거래에 대한 지식과 이해를 넓히도록 시청자를 초대합니다.
00:00:00 알고 거래 회사인 Eragy의 공동 설립자인 Nitesh Khandelwal이 알고리즘 거래에 대한 "무엇이든 물어보세요" 세션에 참석한 청중을 환영합니다. Khandelwal은 자체 알고 트레이딩 데스크를 설치하기 위해 대형 기관에 컨설팅한 경험이 있으며 해당 주제에 대한 그의 전문 지식을 공유할 예정입니다. 이 세션에서는 플랫폼 및 중개인, 거래 전략, 시장 데이터, 취업 기회, 알고 거래 데스크 설정, 규정 및 비즈니스 환경, 알고 거래의 미래, 학습 및 교육 기회와 같은 주제에 대한 인기 있는 질문을 다룰 것입니다. 이 세션은 미리 준비된 질문과 라이브 질문 사이의 균형을 맞추는 것을 목표로 하며, 세션 중에 답변할 수 없는 질문에 대한 개별 후속 세션도 제공합니다.
00:05:00 발표자는 저빈도, 중빈도, 고빈도 거래와 같은 다양한 거래 전략과 거래 인프라의 대기 시간 및 주문 처리 시간을 기반으로 이러한 전략이 어떻게 정의되는지 설명합니다. 발표자는 거래 전략의 대기 시간이 초당 실행되는 거래 수보다 더 중요하다고 강조합니다. 그런 다음 섹션에서는 Yahoo Finance, Google Finance, quanti ex parte del alpha Vantage fxcm과 같은 다양한 데이터 공급업체로부터 시장 데이터 및 경제 데이터를 얻을 수 있는 위치를 다룹니다. 발표자는 이러한 공급업체가 다운로드 가능한 데이터 또는 해당 플랫폼에서 사용할 수 있는 데이터를 제공한다고 언급합니다.
00:10:00 발표자가 알고리즘 거래에 사용할 수 있는 데이터 소스에 대해 논의합니다. 수동 다운로드, API 가져오기 또는 Qantas Global Data Feed Trading Economics, Thomson Reuters 및 Active Financial과 같은 유료 벤더를 통해 데이터를 얻을 수 있습니다. HFT 또는 엘보우 트레이더가 일반적으로 수동 데이 트레이더를 능가하는지에 대한 질문은 분석되는 데이 트레이더의 유형에 따라 다릅니다. 트레이더가 차익 거래 기회나 시장의 비효율성을 이용한다면 기계가 수동 트레이더보다 빠를 수 있습니다. 그러나 트레이더가 철저한 조사 후 데이터를 분석하고 수동 주문을 실행하는 경우 기계가 반드시 더 효율적인 것은 아닙니다. 자동화가 항상 고주파 거래를 요구하는 것은 아니기 때문에 지나치게 알고 거래되는 시장이 비생산적이라는 생각은 근거가 없습니다.
00:15:00 연사는 거래에서 팔꿈치를 사용하는 개념을 설명합니다. 이는 더 효율적으로 거래하고 수학 공식을 사용하여 자동화 및 정량화할 수 있습니다. 그러나 시장에서 비효율성을 찾는 것은 어려울 수 있으며 고주파 거래 및 기술 인프라에서의 경쟁은 점점 더 비싸지고 있습니다. 기술 지표와 패턴은 정량화하고 자동화할 수 있지만 Elliott Wave와 같이 주관성이 관련된 경우 알고리즘이 훨씬 더 복잡해질 수 있습니다. 연사는 또한 FBI의 중개 계정에서 여러 전략을 처리하는 방법에 대한 질문에 답합니다.
00:20:00 발표자는 일반적으로 통계 및 계량 경제학, 금융 컴퓨팅 및 퀀트 거래의 세 가지 주요 기둥을 포함하는 알고리즘 거래에 필요한 전제 조건에 대해 논의합니다. 처음부터 시작하는 사람들은 퀀트 웹사이트에서 무료로 제공되는 것과 같은 다양한 리소스를 통해 이러한 기둥에 대해 배울 수 있습니다. 이미 거래 전략에 익숙하고 자동화를 원하는 거래자는 브로커 API를 사용하여 시작하여 결국 자체 플랫폼을 구축할 수 있습니다. 틱 데이터에 대한 데이터 공급자 측면에서 대부분의 공급업체는 대신 스냅샷 데이터를 제공하지만 고급 공급업체는 더 높은 비용으로 실제 틱 데이터를 제공할 수 있습니다. 마지막으로, 현재 거래 전략으로 이미 성공한 거래자들은 계속해서 업그레이드하고 실험하고 싶지 않다면 알고 거래를 배울 필요가 없을 수도 있습니다.
00:25:00 연사는 기계가 실행을 처리하는 동안 감정 제어, 전략 작업을 위한 확장성 및 대역폭과 같은 거래 전략 자동화의 이점에 대해 논의합니다. 발표자는 알고리즘 거래에서 성공하려면 프로그래밍 배경이 필수적이라고 조언하고 전 세계 대부분의 회사에서 Python을 사용한다고 언급합니다. 그러나 연사는 HFT가 소매 거래자에게 적합하지 않으며 일부 전략은 성공하기 전에 합리적인 금액의 자본이 필요할 수 있다고 말합니다. 그럼에도 불구하고 Python에 대한 기본 지식이 있어도 알고리즘 거래를 시작할 수 있습니다.
00:30:00 발표자는 통계, 계량 경제학 및 거래 전략에 대한 지식을 포함하여 알고리즘 트레이더가 되기 위해 필요한 기술에 대해 논의합니다. 연사는 또한 백오피스 역할에서 프런트오피스 거래 역할에 이르기까지 알고리즘 트레이딩의 다양한 경력 기회에 대해 설명합니다. 10~20년의 도메인 전문 지식으로 경력 기회를 찾고 있지만 거래 경험이 없는 사람들을 위해 연사는 알고리즘 거래로 성공적으로 전환할 수 있었던 QuantInsti의 40세 졸업생에 대한 블로그를 공유합니다. 또한 QuantInsti에는 개인이 필요한 기술을 습득하고 경력을 발전시키는 데 적합한 사람들과 연결하는 데 도움이 되는 전용 경력 셀이 있습니다.
00:35:00 연사는 알고리즘 거래 언어와 연구 및 분석에서 프로그래밍의 중요성에 대해 이야기합니다. 그는 초단타매매 회사는 낮은 대기 시간 때문에 C++를 선호하지만 백테스팅과 전략 평가에는 R과 Python이 더 많이 사용된다고 설명합니다. 적중률 및 연속 손실 개선에 대한 사용자의 질문에 대한 응답으로 그는 백 테스트에서 매개 변수를 최적화하고 샘플 내 및 샘플 외 거래를 사용하여 손실을 확인하도록 제안합니다. 시장 포화에 대해 논의할 때 그는 HFT 비율이 경쟁의 지표이며 일반 차익 거래 전략은 HFT 비율이 높은 시장에서는 성공하지 못할 수 있다고 말합니다.
00:40:00 연사는 다양한 알고리즘 트레이딩 전략에 대해 논의하고 일반 차익 거래 및 시장 조성 전략을 위한 강력한 기술 인프라의 필요성을 강조합니다. 연사는 또한 총 비트 수량의 의미, HFT가 인도의 전통적인 거래자에게 미치는 영향, 거래 빈도에 따라 달라지는 알고 거래를 위한 데이터 처리에 사용되는 시간 범위를 포함하여 다양한 청중 질문에 답합니다. 또한 발표자는 소프트웨어 및 데이터 과학 배경을 가진 개인이 알고리즘 거래에 뛰어들도록 권장하며 그들의 배경은 이미 강력한 기반을 제공하고 있으며 금융 시장 측면에서 선택하는 것이 상대적으로 더 쉬워야 한다고 말했습니다.
00:45:00 Nitesh는 회사와의 거래 플랫폼 설정 가능성, 자동화에 대한 법적 승인, 비용 및 인도 시장 규정과 관련된 몇 가지 질문에 답변합니다. 그들은 참가자와 졸업생에게 지도와 평생 지원을 제공하지만 컨설팅 서비스는 제공하지 않습니다. 자동화가 가능하며 비용은 필요한 인프라에 따라 다릅니다. 인도와 같은 국가에서는 각 거래 전략이 자동화되기 전에 승인이 필요하며 브로커만이 거래자를 대신하여 이를 수행할 수 있습니다. 확률 지표는 모든 전략에 사용할 수 있으며 기본 지표는 수동 또는 소프트웨어를 통해 공급할 수 있습니다. 알고리즘 생성을 위해 기계가 읽을 수 있는 뉴스와 경제 데이터를 더 쉽게 읽을 수 있는 도구가 있습니다.
00:50:00 인도 사람들이 비인도 시장에서 고주파 거래(HFT)를 할 수 있는지 여부와 HFT가 소매 거래자를 시장에서 몰아내는지 여부에 대해 논의됩니다. 비인도 시장의 경우 LRS 체계에 따라 RBA 승인을 받지 않은 경우 외환에 상장된 거래 마진 상품에 대한 송금이 허용되지 않는다고 언급되어 있습니다. 그러나 글로벌 기업이 일부 거래를 인도 기업에 아웃소싱한다면 가능할 수 있다. HFT가 소매 거래자를 시장에서 몰아내는지 여부에 대한 질문에 HFT의 존재가 시장에 유동성을 추가하고 스프레드를 축소하여 소매 거래자에게 이익이 된다고 언급됩니다. 단, 선행매매와 같은 불법 행위는 도메인에 관계없이 허용되어서는 안 됩니다.
00:55:00 발표자는 초단타매매(HFT)가 수백 밀리초의 기본 제공 대기 시간이 있는 웹 기반 브라우저를 사용하기 때문에 개인 수준에서 소매 거래자에게 해를 끼치지 않는 방법에 대해 논의합니다. HFT 회사가 더 빠른 액세스를 얻기 위해 불법적인 방법을 사용하더라도 소매 상인에게 영향을 미치지 않고 규칙을 따르는 다른 HFT 회사에 피해를 줍니다. 연사는 HFT가 차익 거래 기회를 없애기 때문에 일반적으로 소매 거래자들이 창출하는 효율적인 시장의 혜택을 받는다고 지적합니다. 발표자는 또한 영어로 알고리즘 거래 학습에 대한 질문에 답하고 지속적으로 수익성 있는 거래를 위한 몇 가지 중요한 구성 요소에 대해 이야기합니다.
01:00:00 이 비디오는 시장이 끊임없이 변화함에 따라 알고리즘 거래 산업에서 거래 전략을 지속적으로 발전시키는 것의 중요성에 대해 논의합니다. 인도의 많은 중개인이 알고리즘 거래를 지원하지는 않지만 일부는 semi-algo 또는 el-go와 같은 특정 프로그램을 사용할 수 있는 프로그래밍 방식 거래를 제공합니다. 퀀트 분석가의 취업 시장은 박사 학위에만 국한되지 않고 자신의 지식과 문제 해결 기술에 의존합니다. 비디오는 거래 유형에 따라 달라지는 알고리즘 거래에 필요한 하드웨어 요구 사항도 다루지만 일반적으로 괜찮은 노트북이나 데스크톱이면 충분합니다.
01:05:00 발표자가 알고리즘 거래를 위한 하드웨어 및 인프라 요구 사항에 대해 논의합니다. 저주파 거래의 경우 Amazon 및 Google과 같은 회사에서 제공하는 적절한 노트북 또는 클라우드 컴퓨팅 옵션으로 충분합니다. 중단타매매의 경우 알고리즘 트레이딩 플랫폼이 필요하며 전문서버는 수천달러, 고주파매매는 1만~2만5000달러의 전문서버가 필요하다. 발표자는 또한 교환 및 위치에 따라 생방송을 시작하기 전에 필요한 승인에 대해 설명합니다. 마지막으로 연사는 EPAT 프로그램이 포괄적인 범위의 주제를 다루고 실용적인 학습에 중점을 두지만 수익성 있는 전략을 보장하지는 않는다고 설명합니다.
01:10:00 연사는 저, 중, 고주파 알고리즘을 포함하여 자동 거래에 사용할 수 있는 다양한 유형의 알고리즘에 대해 논의합니다. 고주파수 알고리즘은 차익 거래, 시장 조성 및 더 빠른 컴퓨팅이 필요한 방향성 전략에 사용됩니다. 반면 저주파 및 중파 알고리즘은 기본 투자를 포함하여 다양한 전략을 자동화할 수 있습니다. 연사는 또한 모멘텀, 통계적 차익 거래, 옵션 기반 전략과 같은 인기 있는 전략을 언급하고 알고리즘을 사용하면 더 많은 규모와 감정 제어를 제공하고 빅 데이터를 더 잘 분석할 수 있어 거래에 도움이 될 수 있음을 강조합니다. 알고리즘 트레이딩에 관심이 있지만 프로그래밍 경험이 없는 소매 트레이더를 위해 연사는 기본 통계 및 트레이딩 전략 학습부터 시작하도록 제안하고 자기 주도 학습을 위한 리소스를 제공합니다.
01:15:00 Nitesh Khandelwal은 표준 거래 전략을 사용하는 아이디어에 대해 논의하고 기존 전략에 의존하기보다는 자신만의 전략을 만드는 것의 중요성을 강조합니다. 그는 또한 암호화폐 시장에서 알고 거래의 역할에 대해 이야기하면서 자동화 도구를 사용하여 암호화폐를 거래하는 참가자가 있지만 알고 거래가 암호화폐 붐의 원인은 아니라고 말했습니다. Khandelwal은 또한 알고 거래에 대한 인공 지능 및 머신 러닝의 잠재적 영향에 대해 언급하면서 알고리즘 교육에 필요한 컴퓨팅 성능의 경제성으로 인해 대규모 기관 외에도 개인 및 소매 거래자에게 더 많은 권한을 부여할 것이라고 말했습니다.
01:20:00 연사는 금융 부문에서 일어나는 변화와 자동화로 인해 알고리즘 거래에 대한 소매 참여의 예상 증가에 대해 논의합니다. 연사는 또한 대차대조표 데이터 리소스, 비금융 회사에서 알고리즘 트레이더로의 전환, 알고리즘 트레이딩의 CAGR 및 승률에 대한 최고의 수치에 대한 청중의 질문에 답합니다. 연사는 수익률에만 초점을 맞추지 말고 확장성과 강력한 인프라 및 기술을 권장합니다.
01:25:00 연사는 중저빈도 거래 전략과 샤프 비율에 대해 논의하며 위험을 고려하지 않고는 수익을 논의할 수 없다고 말합니다. 그는 또한 알고 거래 사업을 시작하는 데 필요한 투자에 대해 언급했는데, 이는 필요한 인프라의 빈도와 유형에 따라 수천 달러에서 수십만 달러에 이를 수 있습니다. 또한 화자는 알고 거래 사업을 시작할 때 자동화 및 위험 관리가 주요 고려 사항이라고 언급합니다. 데이터의 경우 인도 코로케이션 없이 실시간 데이터가 가능하나, 몇 밀리초의 지연이 있을 수 있습니다. 연사는 또한 전략에 대한 승인 프로세스에 대해 논의하고 대화가 일반적으로 전략의 세부 사항보다 위험 관리에 더 초점을 맞추고 있음을 청취자에게 확신시킵니다. 마지막으로 연사는 인도 시장에서 백테스팅과 좌익 전략 작성을 위한 좋은 웹사이트가 많지 않다고 언급합니다.
01:30:00 연사는 참가자와 사용자에게 더 나은 노출과 혜택을 제공하기 위해 Horn Insights에서 다양한 시장을 위한 도구 개발에 대해 논의합니다. 그들은 또한 경험과 배경과 같은 요인에 따라 달라지는 인도 퀀트의 급여 범위에 관한 질문에 답합니다. 연사는 코로케이션이 조작이 아님을 강조하고 이를 기차로 여행하는 것보다 목적지에 더 빨리 도달하기 위해 비행기 여행에 돈을 지불하는 것과 비교합니다. 또한 그들은 대부분의 기술 지표 기반 전략이 Python을 사용하여 개발될 수 있다고 제안하고 알고리즘 거래 영역에서 제공되는 고급 프로그램이 많지 않지만 평생 지침은 ANNIE pat.
01:35:00 발표자는 시청자가 가질 수 있는 나머지 질문이나 우려 사항을 해결합니다. 그들은 다른 의문이 있는 경우 언제든지 도움을 청해야 하며 모든 질문에 기꺼이 응답할 것이라고 시청자를 안심시킵니다. 발표자는 세션에 참석한 청중에게 감사하고 가능한 한 많은 질문에 답하기 위해 노력하는 것으로 마무리합니다.
상품 시장의 알고리즘 거래
상품 시장의 알고리즘 거래
NCDEX(National Commodity and Derivatives Exchange)의 부사장인 Sunil Lani는 특히 농산물에 초점을 맞춘 상품 시장의 알고리즘 거래 세계를 탐구할 기회를 가집니다. 인도에서 가장 큰 농업 거래소인 NCDEX는 거래를 위한 약 20개의 다양한 상품을 제공합니다.
Lani는 상품 시장에서 일반적으로 사용되는 세 가지 인기 있는 거래 스타일인 헤징, 차익 거래 및 방향성 거래를 소개하는 것으로 시작합니다. 그는 기본 투자와 관련된 위험을 완화하는 데 사용되는 투자 전략으로 헤징을 강조합니다. NCDEX의 맥락에서 농부들은 위험 노출을 최소화하기 위해 기본 농업 자산을 헤지하는 경우가 많습니다.
계속해서 화자는 상품 시장에서 널리 퍼진 두 가지 유형의 거래 전략인 헤징과 차익 거래로 논의를 전환합니다. Lani는 헤징 전략에서 상관관계가 높은 기본 자산의 중요성을 강조합니다. 차익 거래의 경우, 그는 캘린더 스프레드와 페어 트레이딩이라는 두 가지 특정 접근 방식을 탐구하며 후자는 헤지 전략과 유사점을 공유한다는 점에 주목합니다. Lani는 상관관계의 타당성을 보장하기 위해 T Fuller 테스트를 적용할 것을 제안하면서 페어 트레이딩을 위해 높은 상관관계와 통합된 상품을 선택하는 것의 중요성을 강조합니다.
또한 Lani는 알고리즘 거래와 관련된 다양한 단계에 대한 개요를 제공합니다. 그는 거래 개념을 적용하기 위해 적절한 스크립트 또는 도구를 식별하고 필터링하는 것으로 프로세스가 시작된다고 설명합니다. 그 후, 모델이 시각화되고 엄격한 백테스팅과 매개변수 또는 모델 자체의 최적화가 이어집니다. 다음 단계는 종이 거래를 포함하고 궁극적으로 실제 돈이 위태로운 실시간 거래로 전환하는 것입니다.
토론을 계속하면서 Lani는 알고리즘 거래의 초기 단계에 중점을 둡니다. 그는 트레이딩 아이디어를 브레인스토밍하고 트레이더의 목표에 부합하는 트레이딩 논리를 완성하는 것의 중요성을 강조합니다. 주요 고려 사항에는 거래 빈도 결정, 거래에 적합한 세그먼트 선택 및 백 테스트 기간 설정이 포함됩니다. 거래 전략을 위한 데이터 이해의 어려움을 설명하기 위해 연사는 다양한 부문에 걸친 인도의 국내 총생산(GDP) 데이터를 제시합니다. 그는 데이터를 그래픽 표현으로 변환하여 더 나은 이해를 돕고 가격 변동과의 상관 관계를 조사할 것을 제안합니다. 또한 Lani는 과거 농업 데이터를 시각적으로 표현하여 여러 관점에서 데이터를 분석하는 것의 중요성을 강조합니다.
발표자는 상품 시장에서 알고리즘 거래에 필요한 리소스에 대해 계속 논의합니다. 그는 거래 전략을 차익 거래와 모멘텀이라는 두 가지 주요 영역으로 분류합니다. 쌍 거래, 상관 분석, 이동 평균 및 확률 분포와 같은 기술이 일반적으로 사용됩니다. 인프라는 API를 통해 브로커에 연결하고 클라우드 또는 온프레미스에서 알고리즘을 호스팅하는 것을 포함하여 알고리즘 거래의 중요한 측면입니다. Lani는 또한 Excel, Tableau, Power BI 및 TradingView와 같은 도구를 사용하여 수행할 수 있는 데이터 시각화 및 기술 지표의 중요성을 강조합니다.
Lani는 상품 시장에서 알고리즘 거래에 적합한 다양한 도구와 플랫폼을 추가로 탐색합니다. 그는 비 프로그래머 또는 세미 프로그래머가 종종 Metatrader 및 Interactive Brokers와 같은 플랫폼을 선택한다고 언급합니다. 순수한 프로그래밍 목적을 위해 Python은 Quantopian, Blueshift, QuanTX 및 Zerodha와 같은 Python 기반 알고리즘 거래 플랫폼이 인기를 얻으면서 주요 언어로 부상했습니다. 또한 발표자는 Pandas, Numpy, Beautifulsoup, Backtrader, Stream Python, Feedparser, Peopie 및 NLP와 같은 감정 분석 라이브러리를 포함하여 데이터 처리 및 백테스팅을 위한 필수 라이브러리를 강조합니다.
다음 부분에서 Lani는 거래 아이디어를 생성하고 농산물을 사용하여 모델을 설계하는 과정을 예로 설명합니다. 농산물 상품이 주식이나 외환보다 변동성이 적은 경향이 있다는 점을 감안할 때 볼린저 밴드를 지표로 사용하여 특히 평균 가격 범위에서 2 표준 편차로 설정된 평균 회귀 전략을 적용할 것을 제안합니다. 유동 상품 선택을 위한 필터링 기준은 거래량이 1080 이상인 상품을 선택하는 것입니다. Lani는 Jana를 NCDX에서 거래할 것을 권장합니다. 모델을 시각화하기 위해 Lani는 Investing.com을 사용하여 볼린저 밴드를 그릴 것을 제안합니다. 레벨은 매수 및 매도 지점을 나타냅니다.
초점을 백테스팅으로 옮기면서 Lani는 과거 데이터를 사용하여 알고리즘 거래 모델의 논리를 검증하는 것이 중요하다고 강조합니다. 이 단계는 모델이 실제 환경에 배포될 때 잠재적인 손실을 방지하는 데 중요합니다. Lani는 개방형 포털에서 데이터 다운로드, 관련 라이브러리 가져오기, 지원 기능 작성, 구매 및 판매 신호 생성, 출력 시각화, 전략에 의해 생성된 수익 평가를 포함하는 백테스팅과 관련된 단계를 설명합니다. 그는 또한 백테스팅 과정에서 수익, 최대 손실, 최대 이익, 손절매와 같은 매개변수를 고려할 것을 제안합니다. Lani는 Github와 같은 플랫폼에서 가져온 라이브러리에만 의존하는 대신 개인 백테스팅 기능을 사용할 것을 조언합니다.
연사는 데이터 프레임, 전략 유형, 진입 및 퇴장 기준, 위치 피드를 기반으로 매수 및 매도 신호를 생성하기 위해 함수가 취하는 다양한 매개변수를 설명합니다. 거래자는 계산을 위해 시가 또는 종가를 구성하고 손절매 및 목표 비율을 설정할 수 있습니다. Lani는 통계 보고 기능과 선택한 지표에 대한 표준 편차를 사용하여 수준을 생성하는 또 다른 기능에 대해서도 설명합니다. 마지막으로 주요 기능은 이러한 다른 기능을 호출하여 선택한 전략에 따라 매수 및 매도 신호를 반환하고 요약을 생성합니다.
앞으로 Lani는 BV 연습 위치 기술을 사용하여 거래 백테스팅 보고서를 생성하는 방법을 시연합니다. 출력에는 모든 거래, 거래 수수료 및 슬립 에지가 포함된 데이터 프레임이 포함됩니다. 백테스팅 기능이 호출되고 보고서가 생성됩니다. 이 보고서는 출력에 대한 통계 및 그래픽 표현을 제공하여 반환 비율, 거래 세부 정보 및 지정된 기간 동안의 누적 반환을 보여줍니다. Lani는 보고서를 분석하고 -2% 또는 -3%를 초과하는 손실을 피하기 위해 약 -1.5에서 손절매를 설정할 것을 제안합니다. 백테스팅 결과 최대수익률은 8%로 최대 8% 또는 9%까지 손절매를 설정할 수 있음을 알 수 있다.
그런 다음 연사는 알고리즘을 최적화하는 프로세스에 대해 논의합니다. Lani는 최적화에 대한 한 가지 접근 방식이 다른 매개변수 집합을 사용하여 원래 알고리즘을 여러 번 실행하는 또 다른 알고리즘을 만드는 것과 관련이 있다고 설명합니다. 이를 설명하기 위해 그는 롤백 기간에 대한 룩백 기간이 최적화된 예를 제공합니다. 룩백 기간에 대한 다양한 값 목록을 생성하고 조합 기능을 활용하여 모든 매개변수 집합의 포괄적인 목록을 생성할 수 있습니다. Lani는 상품 시장에서 성능을 향상시키기 위해 알고리즘 최적화의 중요성을 강조합니다.
최적화에 대한 논의를 계속하면서 Lani는 백테스팅을 위해 서로 다른 매개변수를 사용하는 엘보우 방법을 통해 세 개의 목록을 사용하여 각 쌍을 평가하는 과정을 설명합니다. 백테스팅 결과는 DF 옵티마이저라는 데이터 프레임에 저장되어 최대 수익을 내는 조합을 식별할 수 있습니다. 그런 다음 최적화된 변수는 최적화된 역할에 저장됩니다. Lani는 최적화 프로세스 중에 데이터를 과대적합하지 않도록 주의하고 정확성을 보장하기 위해 다음 기간에 동일한 매개변수를 실행하는 것의 중요성을 강조합니다. 마지막으로 발표자는 보고서를 다운로드하여 결과를 검토합니다.
Lani는 계속해서 거래 매개변수를 최적화하는 데 사용되는 코드를 제시하고 수익, 평균 수익, 최대 손실률 및 승패율을 포함한 결과 통계를 공유합니다. 최적화된 매개변수는 22.8%의 수익을 가져왔는데, 이는 이전 매개변수 조합으로 달성한 9%에 비해 크게 개선된 것입니다. Lani는 실제 돈을 위험에 빠뜨리지 않고 알고리즘을 테스트하기 위한 종이 거래의 중요성을 강조하고 실시간 거래로 전환할 때 다각화, 포트폴리오 관리 및 위험 관리의 필요성을 강조합니다. 그는 알고리즘 거래의 개발 프로세스와 소프트웨어 제품 개발 수명 주기 사이의 유사점을 지적하면서 결론을 내리고 프로젝트 성공을 보장하기 위해 모든 단계를 부지런히 실행하는 것의 중요성을 강조합니다.
AI 및 Python 프로그래밍을 사용하여 주식 시장의 추세 예측
AI 및 Python 프로그래밍을 사용하여 주식 시장의 추세 예측
이 웨비나 세션은 주식 시장에서 AI를 사용하여 추세를 예측하는 데 중점을 둔 실습 학습 자습서를 제공합니다. 참가자는 Jupyter Notebook을 사용하여 분류 트리 모델을 만드는 데 적극적으로 참여합니다. 주요 목표는 예상되는 양수 또는 음수 미래 수익을 기반으로 거래 규칙을 설정하는 도구 역할을 할 수 있는 분류 트리를 개발하는 것입니다.
거래에서 의사 결정 트리 모델을 활용하는 것은 몰입형 및 대화형 학습 경험을 제공하는 필수 기계 학습 기술입니다. 세션 중에 참석자는 강사와 함께 Python 노트북에서 직접 작업할 수 있는 기회를 갖게 됩니다.
웨비나는 다음과 같은 주요 영역을 다루는 것을 목표로 합니다.
녹화된 세션은 가치 있는 거래 규칙을 추출하기 위해 거래에서 의사 결정 트리 모델을 활용하는 방법에 대해 자세히 설명합니다. 이러한 규칙은 유가 증권을 사고 팔 때 정보에 입각한 결정을 내리기 위한 기초 역할을 합니다.
비디오를 통해 참가자는 다음에 대한 지식을 습득하게 됩니다.
이 웨비나를 충분히 활용하려면 참석자는 다음을 소지해야 합니다.
변수와 관련하여 이 맥락에서 예측 변수는 시장 추세를 예측하는 데 사용되는 기술 지표를 나타냅니다. 반면 목표 변수는 다음 날의 예상 추세, 구체적으로 양수인지 음수인지를 나타냅니다.
양적 포트폴리오 관리 전략 작성자: Prodipta Ghosh - 2019년 7월 23일
양적 포트폴리오 관리 전략 작성자: Prodipta Ghosh - 2019년 7월 23일
Quantitative Portfolio Management의 부사장인 Prodipta Ghosh는 금융 시장의 불확실성, 시간이 지남에 따라 시장의 역동적인 특성 및 다양한 목표로 인해 주식 거래에 대한 만병통치약 전략은 없다고 강조합니다. 그리고 개인의 위험 성향. 그는 세계에 대한 완벽한 비전이나 모델이 있더라도 각 개인이 고유한 맥락에서 운영되기 때문에 트레이더의 질문에 답을 제공하는 것은 불가능할 것이라고 강조합니다. 따라서 세상 누구에게나 완벽한 전략은 존재하지 않습니다.
프레젠테이션 중에 Prodipta Ghosh는 네 가지 정량적 포트폴리오 관리 전략에 대해 자세히 설명합니다. 이러한 전략에는 볼린저 밴드 활용, 간단한 이동 평균 교차 전략 사용, 도지 캔들스틱 패턴 분석, 상대 강도 지수(RSI) 통합이 포함됩니다. 높은 샤프 비율은 이론적으로 최상의 전략을 제안할 수 있지만 과거 실적이 항상 미래 결과를 보장하는 것은 아닙니다. 따라서 위험을 완화하고 심각한 손실을 방지하기 위해 다양한 전략과 자산을 포함하는 포트폴리오를 구성하는 것이 중요합니다. Ghosh는 4가지 전략 모두에 자본을 균등하게 할당하는 이점을 보여주면서 어떻게 다각화된 포트폴리오가 시장 변동성을 견디고 상당한 손실을 방지할 수 있는지 보여줍니다.
Prodipta Ghosh는 포트폴리오 관리의 기초에 대해 설명하고 단일 주식에 대한 투자와 구별합니다. 포트폴리오 관리에는 위험, 불확실성, 시간 경과 및 특정 상황을 고려하여 여러 전략 또는 자산에 대한 전략 개발이 수반됩니다. 전략의 가치는 기본 수익에 포지션을 곱한 값에서 파생되는 반면, 포트폴리오 값은 기본 수익의 가중 스트림에 의해 결정됩니다. 포트폴리오 관리를 최적화하기 위해 포트폴리오 값 P에 의존하는 함수 U를 정의하고 U를 최대화하는 가중치 W를 찾아 수학적 문제를 해결합니다. 평균 분산 최적화, Kelly 최적화 및 위험 패널티와 같은 다양한 최적화 전략 U가 정의되는 방식과 최적화 접근 방식에 따라 최적화를 사용할 수 있습니다.
연사는 양적 포트폴리오 관리 전략과 프로세스에서 최적화 문제의 역할에 대해 논의합니다. 그는 포트폴리오의 범위 제한과 같은 최적화 문제에서 지정할 수 있는 다양한 제약 조건과 구성할 수 있는 포트폴리오 유형(알파 전략, 팩터 포트폴리오 또는 개별 주식 모음을 기반으로 하는 것을 포함)을 탐구합니다. 목적은 최대 가치 또는 포트폴리오 가치의 기능을 가진 포트폴리오를 초래하는 최대화 조건을 정의하는 것입니다. 또한 발표자는 특정 상황에 따라 다르며 오류 제곱에 대한 페널티가 있는 최적화 문제로 볼 수 있는 균등 가중치 포트폴리오가 합리적인지 여부에 대한 질문을 다룹니다.
Prodipta Ghosh는 포트폴리오 관리에서 위험과 효용의 개념을 깊이 파고들어 예상 수익과 위험을 추정하는 데 따르는 어려움을 강조합니다. 그는 위험을 최소화하면서 수익을 극대화하기 위한 접근 방식으로 현대 포트폴리오 이론과 2차 효용을 소개합니다. 화자는 인간의 의사 결정이 수학적 평균에서 어떻게 벗어날 수 있는지 설명하기 위해 세인트 피츠버그 패러독스의 예를 사용합니다.
효용과 위험의 관계는 건전한 포트폴리오를 구성하는 데 있어서의 중요성을 강조하는 Prodipta Ghosh에 의해 설명됩니다. 그는 위험 프리미엄의 개념을 보여줍니다. 이는 위험한 투자에서 예상되는 지불금 또는 수익과 개인이 특정 지불에 대해 기꺼이 수락하는 금액 간의 차이를 정량화합니다. 또한 그는 효용 함수가 추가 달러의 가치를 알려주는 부의 수학적 표현이며 적절한 투자 금액을 결정하는 데 도움이 된다고 설명합니다. 효용과 위험 사이의 상호 작용을 이해하면 투자자는 위험과 수익 사이의 균형을 이루는 포트폴리오를 개발할 수 있습니다.
연사는 투자에서 위험 회피의 개념에 대해 논의하며, 이는 투자자가 수익률 변동이 있는 투자보다 특정 투자를 선호함을 시사합니다. 위험 회피는 그리스 문자 Pi로 표시되는 위험 프리미엄과 함께 정량적 포트폴리오 관리에서 일반적인 가정으로 사용됩니다. 이 프리미엄은 투자자가 제로 평균 변동 수익률을 수용하기 위해 지불할 용의가 있는 금액을 나타냅니다. 그런 다음 연사는 2차 효용 함수와 그것이 포트폴리오의 평균 및 분산을 최적화하는 방법을 설명합니다. Modern Portfolio Theory를 기반으로 포트폴리오를 구축하려면 포트폴리오의 평균과 분산 사이의 균형을 찾아야 합니다.
Prodipta Ghosh는 평균과 분산 간의 균형을 유지함으로써 기대 포트폴리오 효용을 최적화하는 과정을 설명합니다. 그는 Excel을 사용하여 다양한 자산의 수익을 시뮬레이션하고 공분산 행렬을 계산한 다음 다양한 가중치를 기반으로 포트폴리오 수익, 분산 및 위험을 결정하는 데 활용합니다. 가중치를 변경하고 가능한 모든 시나리오에 대한 포트폴리오 수익 및 분산을 계산하여 최적화 문제를 해결할 수 있습니다. 결과 플롯은 각 가중치 세트에 대한 위험 대비 수익률을 나타내는 샤프 비율을 보여줍니다.
현대 포트폴리오 이론에서 효율적 프론티어의 개념은 Prodipta Ghosh에 의해 도입되었습니다. 그는 효율적 프론티어를 주어진 위험 허용 범위를 기준으로 최대 수익을 달성하기 위해 포트폴리오가 놓여야 하는 범위라고 설명합니다. 그는 무위험 자산과 같은 저위험 자산을 추가하면 개념에 흥미로운 차원이 추가된다고 설명합니다. 가장 높은 샤프 비율은 무위험 자산과 효율적인 프론티어를 결합하여 형성된 포트폴리오인 탄젠트 포트폴리오에서 식별됩니다. 0과 탄젠트 포트폴리오를 연결하는 선을 시장선이라고 하며, 배분을 정의하면서 시장 포트폴리오에 투자하거나 무위험 자산을 선택하는 것 사이의 선택을 제시합니다.
Prodipta Ghosh는 독립형 위험이 아닌 시장 포트폴리오에 대한 기여도를 측정하여 금융 위험의 관점을 바꾸는 자본 자산 가격 책정 모델(CAPM)에 대해 자세히 설명합니다. CAPM은 무위험 수익률에 시장 수익률과 무위험 수익률의 차이를 곱한 위험 측면에서 시장 포트폴리오에 대한 기여도를 더한 것으로 계산되는 위험 자산에 대한 필수 수익률을 포착합니다. 이 개념은 가치 투자를 위한 이론적 토대를 제공합니다. 할인된 현금 흐름 및 압축 모델과 같은 다양한 모델을 통해 투자자는 CAPM을 사용하여 공정한 가격을 추정하고 고유한 위험에 대한 더 나은 이해를 활용할 수 있습니다.
연사는 팩터 투자에 중점을 둔 다양한 포트폴리오 관리 전략에 대해 논의합니다. 팩터 투자는 포트폴리오를 구성할 때 단순한 시장 위험을 넘어 다양한 위험 요소를 고려하는 것입니다. 각 팩터에는 이와 관련된 프리미엄이 있으므로 팩터 할당, 팩터 타이밍 또는 가치 투자 및 주식 선택으로의 복귀를 포함하여 다양한 투자 스타일로 이어집니다. 팩터 투자는 고유한 위험을 설명하는 데 도움이 되며 알파와 베타에 대한 새로운 해석을 제공합니다. 여기서 방정식의 델타 F가 시불변이고 양수이면 알파와 베타가 전체 알파가 됩니다.
Prodipta Ghosh는 가치 투자와 팩터 투자의 주요 차이점을 강조하고 소매 거래자에게 어떤 접근 방식이 더 적합한지 고려합니다. 그는 가치 투자에는 개별 기업에 대한 광범위한 조사가 필요하고 종종 소규모 소매 거래자에게는 적합하지 않을 수 있는 특이한 위험에 집중되는 것을 수반한다고 지적합니다. 반면에 팩터 투자는 위험의 시장 동인을 조사하고 이를 체계적으로 활용하여 예상 수익에 따라 투자를 할당합니다. 연사는 재량적 연구와 정량적 연구의 차이점에 대해 간략하게 언급하면서 정량적 관리가 올바르게 활용된다면 더 많은 성과를 낼 수 있는 기회를 제공할 수 있다고 말했습니다.
연사는 가치 투자자와 퀀트 전략가를 비교하면서 가치 투자자는 성공 확률이 낮지만 상당한 수익을 창출할 수 있는 잠재력이 있다는 점에 주목합니다. 반면에 퀀트 전략가는 성공 확률이 높지만 상대적으로 낮지만 일관된 수익을 창출합니다. 투자의 기본 법칙은 정보 비율을 포트폴리오의 위험으로 나눈 초과 성과의 비율로 설명하며 정보 계수 또는 기술 수준에 n의 제곱근을 곱한 것과 같습니다. 여기서 n은 가능한 독립적인 베팅 수를 나타냅니다. 정량적 투자자는 더 많은 수의 n을 가질 수 있으므로 팩터 포트폴리오를 최적화할 수 있습니다. Ghosh는 또한 KD 최적화 또는 위험 패리티 최적화와 같은 다른 최적화 방법에 대해 자세히 설명합니다. 이는 부를 축적하여 여러 기간에 걸쳐 최종 자산을 최대화하는 것을 목표로 합니다.
Prodipta Ghosh는 계속해서 Kelly 포트폴리오 전략에 대해 논의하면서 최종 부를 극대화하는 데 중점을 두기 때문에 장기적으로 우위를 점할 것이라고 강조합니다. 그러나 그는 Kelly 전략이 위험 측면에서 가장 공격적이며 은퇴자나 단기 위험을 감당할 수 없는 개인에게는 적합하지 않을 수 있다고 경고합니다. 그는 또한 개별 위험 기여도를 균등화하고 모든 자산의 위험 합계가 균형을 유지하도록 하는 것을 목표로 하는 위험 패리티 전략에 대해 설명합니다. 이 접근법에 대한 이론적 정당성은 없지만 합리적인 위험 할당으로 간주됩니다. Kelly 전략, 위험 패리티 및 평균 분산 최적화 중에서 결정할 때 요인 모델링을 통해 향상될 수 있는 위험 성향과 모델링의 정확성을 고려해야 합니다. 궁극적으로 이러한 전략은 위험을 효과적으로 측정하고 관리하는 데 중점을 두고 위험과 수익의 균형을 맞추는 데 중점을 둡니다.
Prodipta Ghosh는 계속해서 알파 전략의 주제와 이를 결합하여 균형 잡힌 포트폴리오를 만드는 방법에 대해 논의합니다. 알파 전략에 평균 분산 최적화를 사용할 수 있지만 포트폴리오의 모든 할당이 과거 데이터만을 기반으로 하는 단일 최상의 전략으로 이동하는 문제에 직면합니다. 이 문제를 해결하기 위해 Ghosh는 모든 전략에 동등한 투표가 주어지는 표본 내 전략의 개념을 도입합니다. 또 다른 접근 방식은 숨겨진 Markov 모델 또는 변경 지점 분석과 같은 변경 분석 기술을 사용하여 다양한 알파 전략 간에 자본을 할당하는 후회 전환 포트폴리오입니다. 주목할만한 기술 중 하나는 후회 없는 접근 방식으로, 각 알파 전략을 체계적으로 탐색하여 가장 큰 투자를 하기 전에 가장 잠재력이 큰 전략을 식별함으로써 탐색 대 착취 문제를 해결합니다.
Prodipta Ghosh는 Wikipedia와 Contra가 최근에 시작한 퀀트 포트폴리오 관리 과정과 같은 플랫폼을 포함하여 포트폴리오 최적화를 추가로 탐색할 수 있는 수많은 리소스가 있음을 강조합니다. 그는 대화형 자기 주도 학습 포털 및 무료 백테스팅을 제공하는 Blue Shift와 같은 Contra 프로그램을 통해 업계에서 학습 및 성장을 위한 몇 가지 기회를 언급합니다. Ghosh는 청중의 참여에 감사를 표하고 Contra 웹사이트를 방문하여 추가 정보와 리소스를 얻을 것을 권장합니다.
알고리즘 트레이딩 | 귀하에게 적합하고 시작하는 방법
알고리즘 트레이딩 | 귀하에게 적합하고 시작하는 방법
신사숙녀 여러분, Elle Foam Advisory의 공동 설립자인 Nathan을 소개합니다. 그는 매혹적인 알고리즘 트레이딩 세계에 대한 귀중한 통찰력을 공유할 것입니다. Nathan은 알고리즘 거래를 정의하고 금융 산업에서 그 중요성을 강조하면서 프레젠테이션을 시작합니다. 그는 알고리즘 거래가 컴퓨터 알고리즘을 사용하여 거래를 자동으로 실행하는 것과 관련이 있으며 현대 시장에서 중요한 역할을 한다고 설명합니다.
Nathan은 계속해서 알고리즘 거래의 진화하는 특성과 그 정의가 지리적 위치 및 규제 프레임워크에 따라 어떻게 달라질 수 있는지에 대해 논의합니다. 미국에서는 모든 형태의 체계적인 거래가 알고리즘 거래의 범주에 속합니다. 그러나 다른 지역에서는 컴퓨터 알고리즘이 주문 매개변수를 자율적으로 결정할 때 특별히 알고리즘 거래로 간주됩니다. 이러한 구분은 해당 분야의 다양한 접근 방식과 관점을 강조합니다.
그런 다음 연사는 알고리즘 거래의 현재 업계 동향에 대해 설명합니다. 그는 알고리즘 전략을 활용하는 DIY(Do-It-Yourself) 트레이더의 증가하는 확산을 강조합니다. 또한 Nathan은 아시아, 미국 및 인도에서 알고리즘 거래의 상당한 시장 점유율 성장을 보여주는 데이터를 제시합니다. 이러한 성장에도 불구하고 그는 알고리즘 거래에 대한 소매 참여가 상대적으로 낮다는 점을 인정하고 다음 슬라이드에서 이 현상을 설명하겠다고 약속합니다.
앞으로 Nathan은 직업 시장에 대한 알고리즘 거래의 영향을 탐구합니다. 그는 자동화가 어떻게 인간 트레이더를 대체하는지 설명하고 기업은 이제 정교한 트레이딩 전략을 개발하고 기계의 힘을 활용할 코더를 찾고 있습니다. 연사는 가동 시간, 반응 시간, 확장성, 학습 및 개선 능력과 같은 인간 거래에 비해 기계 거래의 4가지 주요 이점을 강조합니다. 기계는 지속적으로 위험을 모니터링하고, 거래를 신속하게 실행하고, 시장 변화에 효율적으로 적응하고, 인간 거래자보다 더 효과적으로 경험을 통해 학습할 수 있습니다.
알고리즘 거래에 대한 낮은 소매 참여를 언급하면서 Nathan은 이러한 불일치에 대한 몇 가지 이유를 설명합니다. 첫째, 알고리즘 거래는 금융 및 시장 역학에 대한 확실한 이해와 함께 코딩 및 통계를 포함한 기술 지식의 조합이 필요합니다. 둘째, 관련 시장 데이터에 대한 액세스는 강력한 전략을 백테스팅하고 개발하는 데 매우 중요합니다. 마지막으로 수동 거래에서 알고리즘 거래로의 전환은 해당 분야의 실무 전문 지식을 보유한 숙련된 시장 실무자의 지도 없이는 어려울 수 있습니다. 이러한 장애물에도 불구하고 Nathan은 확장성, 효과적인 위험 관리 및 인적 오류 제거와 같은 알고리즘 거래의 부인할 수 없는 이점을 강조하여 트레이더에게 매력적인 옵션이 되도록 합니다.
그런 다음 Nathan은 청중에게 Point Density에서 제공하는 EPAct 과정을 소개합니다. 그는 시장 실무자의 지침, 기술 지식 및 최신 콘텐츠를 포함하여 알고리즘 거래에 대한 포괄적인 지원을 제공하는 플랫폼을 찾는 어려움에 대해 설명합니다. EPAct 과정은 최신 트렌드를 반영하도록 지속적으로 업데이트되는 업계 전문가가 만든 풍부한 콘텐츠를 제공함으로써 이러한 격차를 해소하는 것을 목표로 합니다. 이 과정은 또한 교수진의 전담 지원을 제공하고 시장 지향적 접근 방식을 채택하여 알고리즘 거래를 시작하는 초보자와 이 분야에서 경력을 발전시키려는 사람들 모두에게 이상적인 리소스입니다.
과정 내용에 대해 자세히 설명하면서 Nathan은 알고리즘 거래 프로그램에서 다루는 모듈을 간략하게 설명합니다. 이 과정은 기본 통계, 확률 이론 및 재무 모델 응용으로 기초를 설정하는 입문서 모듈로 시작됩니다. 그런 다음 복잡한 전략을 이해하는 데 사용되는 가우시안 모델을 포함하여 Python 기본 및 고급 통계를 다루도록 진행됩니다. 이 과정에는 이력서 작성, 개인 트레이딩 데스크 설정, 100개 이상의 파트너 회사와의 배치를 위한 모의 인터뷰 실시에 대한 세션도 포함됩니다. 코스 전반에 걸쳐 강사는 학생에게 개인 지원을 제공하여 질문이나 어려움이 즉시 해결되도록 합니다. 또한 EPAct 과정에 참여하면 다음 섹션에서 자세히 설명할 커뮤니티 이벤트 및 기능에 대한 액세스를 포함하여 독점적인 혜택이 부여됩니다.
프레젠테이션을 계속하면서 Nathan은 알고리즘 트레이딩 과정 내의 각 모듈에 대해 자세히 설명합니다. 이 과정은 빌딩 블록 모듈로 시작하여 주식 효과 및 미래 전략을 이해하기 위한 기초를 설정합니다. 학생들은 다양한 거래 전략을 만들기 위해 실습에 참여합니다. 그런 다음 이 프로그램은 시장 미세 구조 및 구현을 탐구하고 다양한 API 및 브로커를 사용하여 과거 데이터에 대한 백테스팅 아이디어의 복잡성을 탐구합니다. 기계 학습은 또한 알고리즘 거래 내에서 새로운 분야로 소개됩니다. 알고리즘 거래 인프라 설정에 중점을 둔 전용 모듈을 통해 거래 및 전면 운영의 중요성이 강조됩니다. 이 과정은 옵션 거래, 포트폴리오 최적화 및 위험 관리도 다룹니다. 마지막으로 학생들은 프로젝트를 수행하고 성공적으로 시험에 통과하면 검증된 인증서를 받아 알고리즘 거래에 대한 전문성을 검증합니다.
그런 다음 Nathan은 청중의 관심을 QuantInsti에서 제공하는 알고리즘 거래 프로그램으로 전환합니다. 그는 프로그램을 완료하면 참가자가 포괄적인 300시간 이상의 과정을 완료한 후 검증된 영향 인증서를 받는다고 강조합니다. 교수진에는 접근하기 쉽고 다양한 자산 클래스 및 역할에 대한 실무 경험을 제공하는 업계의 저명한 전문가가 포함되어 있습니다. 이 과정은 원활한 구현을 위해 CV 준비에서 API 및 브로커 네트워크에 대한 액세스 제공에 이르기까지 다양한 측면을 다룹니다. 또한 QuantInsti 팀은 참가자에게 자금 조달 기회를 제공하여 알고리즘 거래에 대한 포괄적인 교육을 원하는 사람들에게 이상적인 선택이 되도록 합니다.
Nathan의 토론에 이어 Nadine이 무대에 올라 청중에게 EPAT 커뮤니티의 일원이 되면 얻을 수 있는 이점에 대해 설명합니다. 그녀는 165개국 이상에서 온 동료 학생들과 연결할 수 있는 기회뿐만 아니라 지역 사회 구성원이 사용할 수 있는 평생 지도를 강조합니다. 독점 이벤트 및 세션, 브로커에 대한 무료 및 보조 액세스, BlueShift와 같은 백테스팅 도구에 대한 액세스는 커뮤니티의 특권 중 하나입니다. 또한 EPAT는 개인의 기존 기술 세트에 근본적인 양적 차원을 추가하여 전문적인 프로필을 향상시킵니다. 특히, EPAT 프로그램은 금융 교육 제도에 따라 인정되며 싱가포르의 실무 전문가는 2,000싱가포르 달러의 환급 혜택을 받을 수 있습니다.
프레젠테이션을 마치면서 Ben Magnano가 알고리즘 거래에 대한 개인적인 여정을 공유합니다. 그는 2005년에 QuantInsti를 설립하여 퀀트 및 알고리즘 트레이딩 기초에 대한 엄격한 교육을 받을 때까지 데이 트레이딩과의 초기 투쟁에 대해 이야기합니다. Ben은 Python을 배우고 자신의 프로그램을 작성할 수 있는 능력의 중요성을 강조하여 결국 퀀트 트레이더 자격증을 취득했습니다. 이 성과는 그에게 문을 열어주었고 WorldQuant에서 연구 컨설턴트로서 계속해서 코딩 기술을 연마하고 인공 지능과 같은 최신 산업 동향에 대한 최신 정보를 얻을 수 있는 기회를 제공했습니다.
비디오의 마지막 순간에서 발표자는 알고리즘 거래의 엄청난 성장과 지속적인 모니터링의 필요성을 최소화하려는 거래자들이 알고리즘 거래를 점점 더 선호하고 있음을 인정합니다. 발표자는 발표자가 제공한 뛰어난 분석에 대해 감사를 표하며 프레젠테이션 전반에 걸쳐 공유된 귀중한 통찰력을 인정합니다. 비디오가 끝날 때 발표자는 참가자가 양적 및 핀테크 도메인에서 업계에 준비된 기술을 갖추도록 설계된 ePAD 프로그램을 요약하여 알고리즘 트레이딩 분야에서 성공할 수 있도록 잘 준비되도록 합니다.
퀀트 트레이딩을 위한 위험 모델 작성자 Zura Kakushadze - 2019년 5월 16일
퀀트 트레이딩을 위한 위험 모델 작성자 Zura Kakushadze - 2019년 5월 16일
Zura Kakushadze는 그의 논의에서 2,000개의 미국 주식 포트폴리오를 최적화하기 위한 공분산 행렬의 역 계산과 관련된 문제에 초점을 맞춥니다. 그는 수익률 시계열의 관찰 수가 포트폴리오의 주식 수보다 작을 때 샘플 공분산 행렬이 특이점이 되어 반전될 수 없다고 강조합니다. 특이하지 않더라도 상관 관계를 나타내는 비대각선 요소는 일반적으로 실제 응용 프로그램의 경우가 아닌 주식에 비해 상당히 많은 수의 관측값이 없는 한 매우 불안정한 표본 외 요소가 됩니다.
Kakushadze는 퀀트 거래 전략의 위험 모델이 보유 기간이 짧고 일시적인 알파로 인해 기존 위험 모델과 다르다고 설명합니다. 이러한 전략에는 긴 룩백 기간이 바람직하지 않으며 공분산 행렬을 계산하기 위한 대체 방법이 필요합니다. 일반적인 접근 방식 중 하나는 위험을 요인 위험과 특정 위험으로 분해하는 요인 모델을 사용하는 것입니다. 요인 모델의 장점은 훨씬 더 작은 요인 공분산 행렬로 큰 공분산 행렬을 나타내므로 계산 효율이 높다는 것입니다. 그러나 Kakushadze는 요인 모델에서 다루어야 할 복잡한 세부 사항이 여전히 있다고 지적합니다.
연사는 각 주식의 변동성 계산과 관련된 문제에 대해 더 논의하고 샘플 공분산 행렬이 아닌 샘플 상관 행렬에 초점을 맞출 것을 제안합니다. 표본 상관 행렬은 특이점, 불안정성 및 공분산 행렬과 관련된 기타 문제와 같은 문제로 인해 선호됩니다. Kakushadze는 왜곡된 분산을 제거하고 공분산 행렬 대신 상관 행렬에 대한 요인 모델을 사용할 것을 제안합니다. 위험 요소를 결정하는 문제가 발생하고 두 가지 가능성이 제안됩니다. 샘플 상관 행렬의 주요 구성 요소를 사용하거나 크기, 모멘텀 및 변동성과 같은 스타일 요소를 사용합니다.
스타일 요인과 산업 분류를 포함하여 양적 거래에 적합한 다양한 유형의 위험 요인을 탐색합니다. 연사는 거래와 관련된 짧은 수평 요인을 사용하고 더 긴 수평 요인을 제외하는 것의 중요성을 강조합니다. 위험 모델에서 우발적으로 바람직한 알파 인자를 중화시키는 위험에 대해서도 논의하며, 위험 인자의 신중한 선택과 가중의 필요성을 강조합니다.
Kakushadze는 공급업체에서 구입한 표준화된 위험 모델로는 바람직하지 않은 위험 요소를 제거하거나 거래자의 위험 공간의 모든 관련 방향을 다룰 수 없다고 설명합니다. 따라서 화자는 처음부터 맞춤형 위험 모델을 구축할 것을 제안합니다. 한 가지 접근 방식은 통계적 위험 모델을 사용하는 것인데, 여기에는 제한된 룩백 기간으로 시계열 수익률을 취하고 샘플 상관관계 매트릭스의 주요 구성 요소를 기반으로 요인 로딩을 생성하는 것이 포함됩니다.
유효 순위의 개념은 위험 요인으로 사용할 주성분의 수를 결정하는 방법으로 도입되었습니다. 유효 순위는 행렬의 유효 차원을 측정하며 스펙트럼 엔트로피를 사용하여 계산할 수 있습니다. 그러나 통계적 위험 모델은 관찰 수에 의해 제한되어 위험 공간의 범위가 제한되기 때문에 위험 요인의 수 측면에서 제한이 있습니다. 샘플 외의 더 높은 주성분의 불안정성도 우려 사항입니다.
표본 외 쌍별 상관 관계의 불안정성과 상관 행렬의 비대각선 요소에 대해 설명합니다. Kakushadze는 불안정한 상관 행렬에서 계산된 더 높은 주성분은 자주 업데이트되고 불안정한 반면 첫 번째 주성분은 상대적으로 안정적인 경향이 있다고 설명합니다. 연사는 또한 단기 보유 전략에 적합한 스타일 요소를 정의하는 방법을 탐구하고 일중 거래 전략에서 미결제 주식과 같이 통계적으로 유의하지 않은 상관 관계를 제거할 것을 제안합니다.
숏 호라이즌 퀀트 거래 모델에서 사용되는 네 가지 공통 요소인 방향(모멘텀), 변동성, 유동성 및 가격에 대해 설명합니다. Kakushadze는 각 요인이 정의되는 방법과 교차 단면 회귀를 사용하여 요인 수익률을 계산하는 방법을 설명합니다. 각 팩터 수익률에 대한 연간 샤프 비율의 계산은 거래 전략에 대한 통계적 관련성과 적합성을 결정하는 데 강조됩니다.
연사는 위험 모델링에서 요인 부하와 스타일 요인의 효과를 테스트하고 확인하는 것으로 이동합니다. 팩터 로딩을 사용하여 역사적 수익을 제거한 후 일중 거래 또는 잔차에 대한 짧은 알파 거래에 대한 백 테스트는 팩터 로딩을 테스트하는 한 가지 방법으로 제안됩니다. 스타일 요소와 비교하여 큰 섹터의 가치는 가장 세분화된 수준에서도 강조됩니다. 기본 산업 분류를 사용하여 산업 또는 하위 산업을 기반으로 위험 모델을 구성하는 것이 위험 공간의 더 많은 부분을 포함하므로 권장됩니다. 샘플 외 첫 번째 주성분의 안정성은 이러한 위험 모델의 효율성에 영향을 미칩니다.
많은 수의 하위 산업에 대한 요인 부하 매트릭스 구성이 논의되고 계층적 산업 분류가 솔루션으로 제안됩니다. 이 접근 방식은 먼저 하위 산업을 모델링한 다음 다음 세분화된 산업 수준을 사용하여 위험 요소를 모델링하고 문제가 적절하게 계산할 수 있는 더 작은 매트릭스로 축소될 때까지 계속됩니다.
퀀트 거래에 대한 위험 모델을 계산하기 위해 단계별로 문제를 줄이는 과정을 설명합니다. Kakushadze는 초기에 샘플 공분산 행렬에 대해 10 x 10과 같은 더 작은 크기의 요인 로딩 행렬을 계산하여 나머지 요인인 시장에 대한 단일 요인 모델을 구성합니다. 이렇게 하면 큰 행렬에서 더 작은 행렬로 문제가 줄어듭니다. 이 구성에 스타일 요소를 포함하는 것이 제안되지만 다양한 산업의 더 많은 위험 요소에 비해 기여도가 제한적일 수 있습니다. 스타일 요인은 주식 간의 상관 관계를 모델링하기 위한 이상적인 프록시가 아닐 수 있습니다.
스타일 요인의 정규화 과정에서 절편을 포함하는 것의 중요성에 대해 설명합니다. 화자는 일반적으로 스타일 요소로 사용되는 가격의 로그가 실제로 가격의 로그를 정규화 요소로 나눈 값임을 설명합니다. 정규화 계수는 경험적이며 거래자의 선호도에 따라 사용자 정의할 수 있습니다. 산업 기반 요인은 상관 관계를 모델링하기 위한 신뢰할 수 있는 프록시인 경향이 있지만 스타일 요인의 쌍선형 조합은 좋지 않은 프록시로 간주됩니다. 따라서 트레이더는 산업 기반 요소에 집중하고 트레이딩 스타일과 퀀트 트레이딩 알파에 따라 모델을 맞춤화하는 것이 좋습니다.
발표자는 요인 모델, 산업 분류 및 주요 구성 요소와 같은 강력한 아이디어를 위험 모델링에서 매우 효과적일 수 있는 구성으로 결합하는 이종증의 개념을 소개합니다. 클러스터링 기술은 또한 근본적인 산업 분류를 대체할 수 있는 다단계 클러스터링 체계를 사용하여 위험 요인을 구성하는 방법으로 논의됩니다. 그러나 비결정적 클러스터링 알고리즘은 실행될 때마다 다른 클러스터링을 생성하여 시스템에 노이즈를 유발할 수 있습니다. 노이즈를 줄이기 위해 많은 수의 클러스터링을 평균화하거나 차원 축소 또는 주성분 분석과 같은 다른 기술을 사용할 수 있습니다.
퀀트 거래 위험 모델의 클러스터링에 대한 다양한 접근 방식을 살펴봅니다. 연사는 k-평균 클러스터링이 비결정적일 수 있지만 계층적 클러스터링과 같은 결정론적 대안은 주관적이고 느릴 수 있다고 설명합니다. 화자는 클러스터링에만 의존하는 대신 통합을 위해 위험 모델 자체를 사용할 것을 제안합니다. k-평균의 경우 클러스터 중심의 초기화에서 비결정적 특성이 발생하지만 전역 최소값을 찾는 것이 항상 필요한 것은 아닙니다. 과거 수익률을 사용하는 순진한 접근 방식을 개선하기 위해 과거 변동성에 대한 수익률 정규화를 제안합니다.
클러스터 정규화 및 다단계 클러스터링은 퀀트 거래에 대해 논의됩니다. 포트폴리오 최적화 및 성과 향상을 위해 수익률을 2개의 표준 편차로 정규화하는 대신 수익률을 분산으로 나누어 클러스터링하는 것이 좋습니다. 다중 수준 클러스터링에 대한 두 가지 접근 방식이 제공됩니다. 상향식(가장 세분화된 수준이 먼저 생성된 다음 클러스터링 클러스터가 연속적으로 생성됨) 및 하향식(최소 세분화 수준이 먼저 생성된 후 티커 클러스터링이 연속적으로 생성됨)입니다. 계층적 알고리즘과 같은 비결정론적 알고리즘은 결정론적 알고리즘에 비해 성능면에서 유리하지 않으며, 화자는 클러스터링 및 집계 기법을 사용할 것을 제안합니다.
연사는 클러스터링 기반 위험 모델에서 클러스터 수를 결정하는 문제를 다룹니다. 팔꿈치 방법이나 실루엣 분석과 같은 전통적인 방법이 언급되지만 항상 신뢰할 수 있는 결과를 제공하는 것은 아닙니다. 대신 연사는 여러 클러스터링 솔루션을 만들고 결과 클러스터의 안정성을 측정하는 안정성 분석을 사용할 것을 제안합니다. 클러스터 쌍 안정성 또는 부트스트랩 안정성과 같은 기술을 사용하여 안정성을 평가할 수 있습니다.
Kakushadze는 불안정한 클러스터가 신뢰할 수 없는 위험 추정치로 이어질 수 있으므로 클러스터링 기반 위험 모델에서 안정성의 중요성을 강조합니다. 그는 위험 모델링에는 안정적인 클러스터를 사용하고 불안정한 클러스터는 폐기하거나 다른 클러스터와 결합하여 안정성을 개선해야 한다고 제안합니다. 화자는 또한 전통적인 클러스터링 방법의 대안으로 기계 학습 알고리즘을 사용하는 계층적 클러스터링과 같은 기계 학습 기술의 사용에 대해 언급합니다.
그런 다음 논의는 선택한 클러스터를 기반으로 한 위험 모델 구성으로 이동합니다. 화자는 요인 로딩을 추정하기 위해 각 클러스터 내의 샘플 상관 행렬을 사용할 것을 제안합니다. 각 군집의 표본 상관 행렬을 고유값과 고유벡터로 분해하면 요인 로딩을 얻을 수 있습니다. 전체 포트폴리오에 대한 요인 부하 매트릭스는 각 클러스터의 요인 부하를 결합하여 구성할 수 있습니다.
연사는 위험 기여도를 나타내기 위해 요인 로딩을 적절하게 정규화하는 것의 중요성을 강조합니다. 그는 위험 패리티를 달성하기 위해 요인 부하에 대한 가중치로 고유값의 역을 사용할 것을 제안합니다. 이렇게 하면 각 주식이 전체 포트폴리오 위험에 동등하게 기여합니다. 스타일 요인 또는 산업 기반 요인과 같은 추가 요인을 포함하여 위험 모델을 더욱 강화할 수 있습니다.
Zura Kakushadze가 퀀트 트레이딩 전략을 위한 위험 모델을 구성하는 데 있어 어려움과 접근 방식에 대해 논의합니다. 그는 공분산 행렬의 특이점 및 불안정성과 같은 문제를 해결하고 적절한 위험 요소 및 클러스터링 기술을 선택하는 것의 중요성을 강조합니다. 요인 모델, 산업 분류 및 클러스터링을 결합하여 트레이더는 포트폴리오의 위험 특성을 효과적으로 포착하는 맞춤형 위험 모델을 구축할 수 있습니다.
초보자를 위한 외환 거래 | Alexis Stenfors 박사의 FX 시장에서의 알고리즘 거래
초보자를 위한 외환 거래 | Alexis Stenfors 박사의 FX 시장에서의 알고리즘 거래
Alexis Stenfors 박사는 특히 유동성과 그 중요성에 중점을 두고 외환(FX) 시장에 대한 포괄적인 분석을 탐구합니다. 그는 FX 시장의 막대한 규모와 글로벌 주식 시장과의 비교 규모를 강조하면서 시작합니다. 잠재적인 위기나 자연 재해에도 불구하고 FX 시장의 유동성은 견조한 경향이 있습니다.
Stenfors 박사는 국제적인 범위에 주목하면서 전문 FX 시장의 경쟁적 특성을 조명합니다. 이 시장에서 단일 통화쌍을 거래하는 것은 다른 통화쌍을 동시에 거래하지 않고서는 불가능합니다. 이러한 특성은 FX 시장을 주식 매수가 보다 일반적이고 직접적인 주식 시장과 구별합니다. 또한 중앙 은행은 돈을 인쇄하거나 직접 개입하는 등의 조치를 통해 통화 가치에 영향을 미침으로써 FX 시장에 개입할 수 있지만 이러한 개입은 주식 시장에서는 흔하지 않습니다. 또한 FX 시장은 규제, 회로 차단기 및 투명성 없이 운영되므로 연구 목적으로 신뢰할 수 있는 데이터에 액세스하기가 어렵습니다.
외환 시장에서 유동성의 핵심은 은행 간의 관계와 관습의 중요성을 강조하는 Dr. Stenfors에 의해 설명됩니다. 전통적인 주식 및 주식 시장과 달리 FX 시장의 시장 조성자는 다른 당사자가 보답할 준비가 되어 있다는 것을 알지 못하는 한 가격을 제시하거나 유동성을 제공할 수 없습니다. FX 스왑 시장에서 경쟁업체의 매수-매도 스프레드는 특정 자릿수 주변에 집중되는 경향이 있으며 흥미롭게도 경쟁업체는 다양한 스프레드를 제공하기보다는 정확히 동일한 스프레드를 인용하는 경우가 많습니다.
외환 거래 업계의 시장 관례는 Dr. Stenfors가 가격 및 거래량 기반 관례에 중점을 두고 논의합니다. 이러한 규칙은 적절한 거래 행동을 지시하고 은행과 고객 간의 강력한 관계를 촉진합니다. 설문 조사에 따르면 소수의 트레이더만이 주로 이익 창출 목적으로 관습을 따르지만 대다수는 관습을 관계를 육성하고 긍정적인 시장 이미지를 유지하는 수단으로 인식합니다. 알고리즘 거래의 부상은 이러한 관습에 변화를 가져왔고, 알고리즘 거래는 EBS와 같은 플랫폼 거래의 70% 이상을 차지합니다.
외환 시장에 대한 알고리즘 거래의 의미는 Dr. Stenfors에 의해 논의됩니다. 지지자들은 고주파 거래가 시장 효율성을 높이고 거래 비용을 줄이며 유동성을 향상시킬 수 있다고 주장합니다. 그러나 회의론자들은 알고리즘이 원래 인간 관계를 위해 설계된 관습을 고수하는 데 적합하지 않다고 주장합니다. 전자 플랫폼을 사용하는 거래자는 거래를 실행하려고 할 때 시장이 빠르게 움직일 때 어려움에 직면할 수 있습니다. 유동성은 이제 복잡하고 확인하기 어려운 것으로 인식됩니다. 알고리즘에 대한 서로 다른 관점에도 불구하고 양측은 FX 유동성이 더 면밀한 검토가 필요한 변화를 겪고 있다는 데 동의합니다. Stenfors 박사는 2010년 인간 거래와 알고리즘 거래 사이의 동등한 분할을 나타내는 거래 플랫폼의 데이터를 제시합니다.
외환 시장의 규모와 유동성을 조사하면서 Dr. Stenfors는 유로 달러 통화 쌍을 예로 들었습니다. 그는 3 거래일 동안 유로 달러에 대한 지정가 주문 총액이 1조 8000억 달러였으며 스프레드가 0.08%에 불과했다고 밝혔습니다. 이는 스프레드가 타이트한 유동성이 높은 시장을 나타냅니다. 그러나 모든 지정가 주문의 1% 미만이 실제로 거래로 이어졌고 중앙 지정가 주문 수명은 2.5초에 불과했습니다. 이러한 결과는 시장이 유동적으로 보일 수 있지만 실제 유동성은 보이는 것보다 덜 중요할 수 있음을 시사합니다. Stenfors 박사는 유동성에 신속하게 접근할 수 있는지에 대한 질문을 제기하고 시도된 거래에 대해 시장이 신속하게 반응하는지 확인하기 위한 테스트를 수행합니다.
Stenfors 박사는 지정가 주문 제출이 FX 시장의 유동성에 미치는 영향에 대한 연구를 공유합니다. 140만 건의 지정가 주문 제출을 분석한 그는 새로운 지정가 주문이 주문서의 다른 쪽에 즉시 유동성을 추가하여 고주파 거래자에게 이익이 된다는 사실을 발견했습니다. 그러나 유동성은 0.1초 이내에 사라지므로 알고리즘 거래는 단기 유동성에만 기여한다는 것을 알 수 있습니다. Stenfors 박사는 지난 10년 동안 FX 시장에서 유동성을 지원하려는 의지의 상당한 변화를 강조하며 가격 기반 유동성, 거래량 기반 유동성, 커뮤니티 기반 유동성, 시장을 분석할 때 속도 기반 유동성.
Forex 거래에서 다양한 주문 유형의 개념과 윤리적 영향에 대해 Dr. Stenfors가 설명합니다. 그는 다른 트레이더가 주문을 취소하는 것을 방지하고 정보가 풍부한 주문을 숨기기 위해 분할 주문이 큰 주문을 작은 주문으로 나누는 데 사용된다고 설명합니다. 그러나 시장 상태에 대한 잘못된 인상을 주는 수저 주문은 일반적으로 대부분의 시장에서 불법입니다. 반면 숨겨진 시장 정보 추출을 목적으로 하는 핑 주문은 논란의 여지가 적지만 해석의 여지가 있습니다. Stenfors 박사는 또한 분할 주문에 대한 자신의 보수적인 정의를 소개하면서 조사한 5개 통화 쌍 중 유로 달러 및 달러 엔 주문의 15-20%를 차지한다고 밝혔습니다.
Stenfors 박사는 분할 주문의 사용과 FX 시장에서의 공격성에 대해 자세히 설명합니다. 대중적인 믿음과는 달리 대량 주문은 종종 높은 공격성을 나타내며 분할 주문은 더 많은 양을 숨길 뿐만 아니라 알고리즘 트레이더가 더 공격적인 주문을 제출할 수 있도록 합니다. 그러나 분할 주문에 대한 시장의 반응은 일반적인 인간 주문에 비해 훨씬 더 두드러지며 알고리즘은 이 전략에 빠르게 적응하여 분할 주문의 효율성을 떨어뜨립니다. 이 논의는 스푸핑과 핑에 대해서도 다루며 유로 달러와 달러 엔과 같은 주요 통화 쌍은 정보에 매우 민감하여 스푸핑에 취약하며 핑은 주문으로 시장을 테스트하고 반응을 관찰하여 숨겨진 정보를 추출하는 데 사용됩니다. .
Stenfors 박사는 다양한 FX 시장에서 "핑"의 유행을 분석하기 위해 개발한 프록시를 제시합니다. 핑 주문은 시장 변화가 발생하기 전에 취소되므로 핑 활동의 잠재적 지표가 됩니다. 포괄적인 데이터베이스를 사용하여 Dr. Stenfors는 유로 달러 및 옐로우 마켓 주문의 약 10%가 잠재적인 핑 주문일 수 있다고 추정합니다. 그러나 유로 스웨덴 및 달러 루블과 같은 시장에서는 이 비율이 크게 증가하여 각각 50% 및 80%에 이릅니다. 특히 핑은 플랫폼에서 덜 거래되는 시장에서 더 두드러지는 것으로 보입니다. Stenfors 박사는 특히 FX 팝 시장에서 마켓 메이킹 기능이 점점 더 알고리즘에 의해 수행되고 있기 때문에 유동성을 연구하려면 다양한 전략과 주문 수명을 고려해야 한다고 제안합니다.
Stenfors 박사는 외환 시장에서 유동성의 진화하는 특성에 대해 논의하고 이를 평가하기 위한 보다 광범위한 지표의 필요성을 강조합니다. 그는 분할, 스푸핑 및 핑과 같은 주문 전략에서 장벽의 영향을 강조합니다. 이러한 문제는 주식 시장에서 광범위하게 연구되었지만 외환 시장의 규모가 더 크더라도 외환 유동성에 미치는 영향은 상당히 다를 수 있습니다. Stenfors 박사는 트레이더가 주문 제출 방법에 관계없이 이러한 복잡성을 인식하고 추가 탐색에 관심이 있는 사람들을 위해 추가 리소스를 제공할 것을 권장합니다.
Alexis Stenfors 박사는 외환 시장에 대한 자세한 분석을 제공하며 특히 유동성과 다양한 차원에 중점을 둡니다. 그의 연구는 규모, 경쟁적 특성, 국제적 범위를 포함하여 외환 시장의 고유한 특성을 강조합니다. 그는 시장 관례의 중요성, 알고리즘 거래의 의미, 다양한 주문 유형이 유동성에 미치는 영향을 강조합니다. 그의 연구를 통해 Dr. Stenfors는 외환 유동성의 복잡성과 진화하는 특성을 밝히고 이 역동적인 시장에서 포괄적인 평가와 이해의 필요성을 강조합니다.
거래 전략 개발 및 백테스트 | 전체 튜토리얼
거래 전략 개발 및 백테스트 | 전체 튜토리얼
동영상은 클라우드 기반 플랫폼인 Blueshift를 사용하여 거래 전략을 개발하고 실행하는 데 지침을 제공할 숙련된 퀀트를 소개하는 것으로 시작됩니다. Blueshift는 자세한 Forex 데이터는 물론 미국 및 인도 주식 시장을 포함한 포괄적인 데이터 세트를 제공합니다. 이 세션에서는 체계적인 전략, Python 입문서, Blueshift 소개, 백테스팅을 위한 재사용 가능한 템플릿 만들기, 기술 지표, 단일 지표를 사용하여 간단한 전략 구성 및 포트폴리오 전략 관리를 다룹니다. 중요한 것은 세션이 거래 권장 사항을 제공하거나 절대 안전한 전략을 제공한다고 주장하지 않는다는 것입니다.
연사는 펀더멘털, 테크니컬, 퀀트와 같은 거래 스타일에 대한 다양한 접근 방식과 추세, 평균 회귀, 탈주, 고유한 방식을 다루는 방법을 강조합니다. 체계적인 거래 전략 설계에는 증권 선택, 매수 및 매도 신호 생성, 대상 포트폴리오 계산, 거래 실행 및 프로세스의 지속적인 개선이 포함됩니다. 연사는 가격 데이터 및 변환, 기본 및 비시장 정보, 거래 규칙/로직을 포함하여 체계적인 전략에 필요한 입력을 설명합니다. 이러한 규칙은 트레이더의 가설을 기반으로 하거나 기계 학습 및 인공 지능과 같은 데이터 기반 기술을 통해 개발할 수 있습니다.
연사는 백테스팅과 포워드 테스팅을 통해 거래 전략을 테스트하는 것의 중요성을 강조합니다. 백테스팅은 트레이더가 가설의 타당성을 검증하는 데 도움이 되며, 포워드 테스팅은 데이터 마이닝 편향, 생존 편향, 시장 영향 모델링 및 예측 편향과 같은 편향과 함정을 방지합니다. 유연한 백테스팅 플랫폼은 전략을 조정하고 수정하는 데 필수적이며 모든 전략이 모든 시장에서 잘 수행되는 것은 아니기 때문에 위험 관리 및 포트폴리오 생성이 중요합니다. 연사는 전략 생성 및 테스트를 위해 Blueshift 플랫폼에서 Python 기반 코드를 사용하는 방법을 간략하게 소개합니다.
동영상은 Blueshift에서 거래 전략을 백테스팅하는 데 필요한 네 가지 필수 기능을 설명합니다. 이러한 기능은 초기 매개 변수를 설정하는 "initialize", 각 거래 세션 전에 호출되는 "before_trading_start", 새로운 프라이스 바 도착 시 실행되는 "handle_data" 및 전략 분석에 사용되는 "analyze"입니다. 발표자는 이러한 기능이 호출되는 순서와 트레이더가 각 기능 내에서 코드를 배치하는 방법을 보여줍니다. 이 섹션은 Blueshift 플랫폼에서 Python을 사용하는 방법에 대한 기본적인 소개로 마무리됩니다.
Python에 익숙하지 않은 시청자를 위해 비디오는 Python 기본 사항에 대한 입문서를 제공합니다. 변수, 문자열, 정수, 부동 소수점 및 사전 및 목록과 같은 데이터 구조를 다룹니다. Python에서 함수 및 클래스 생성도 소개됩니다. 그런 다음 비디오는 "초기화", "before_trading_start", "handle_data" 및 "analyze" 단계를 설명하는 Blueshift 워크플로를 자세히 살펴봅니다. 예약 및 주문 기능의 유용성이 강조 표시됩니다.
발표자는 Blueshift의 세 가지 기본 주문 기능에 대해 설명합니다. 첫 번째 기능인 "order_percent_target"은 거래자가 대상 포트폴리오의 가중치를 기반으로 기본 자산에서 포지션을 취할 수 있도록 합니다. 두 번째 기능인 "get_open_orders"는 보류 중인 주문 수를 제공하고 세 번째 기능인 "cancel_order"는 주문 취소를 허용합니다. 발표자는 거래 환경 제어의 중요성을 강조하고 "set_commission", "set_slippage" 및 "set_account_currency"와 같은 기능을 시연합니다. Blueshift의 "컨텍스트" 및 "데이터" 개체에 대해 설명하고 알고리즘 상태를 캡처하고 데이터에 액세스하는 역할을 보여줍니다. 예를 들어 "히스토리" 기능을 사용하여 간단한 매수 및 보유 전략을 위해 포트폴리오 및 데이터에 액세스하는 방법을 보여줍니다. "스케줄" 기능을 사용하는 스케줄링 개념이 도입되어 사용자가 특정 기능을 호출해야 하는 시기를 정의할 수 있습니다.
튜토리얼은 전략 개발을 간소화하고 반복적인 코드를 피하기 위한 템플릿 생성에 중점을 둡니다. TLE와 같은 기술 지표 라이브러리와 Pandas 및 Numpy와 같은 표준 라이브러리를 가져옵니다. 증권의 유니버스는 주요 지수로 좁혀지고 "컨텍스트" 변수는 전략 매개 변수를 저장하는 사전으로 초기화됩니다. 이러한 매개변수에는 지표 조회, 매수/매도 임계값, 이동 평균 기간, RSI, B-대역, ATR 및 거래 빈도가 포함됩니다. 이 템플릿은 상용구 코드를 최소화하고 쉽게 수정할 수 있도록 매개변수를 표준화하는 것을 목표로 합니다.
발표자는 거래를 제어하기 위한 변수를 소개하고 우주의 각 상품에 대한 가중치가 있는 포트폴리오를 만듭니다. 데모 목적으로 커미션과 슬리피지를 0으로 설정했습니다. "handle_data" 기능은 15분마다 거래를 실행하도록 정의되어 있습니다. "run_strategy" 기능은 전략을 실행하기 위한 주요 기능이 됩니다. "context.universe.prices" 기능을 사용하여 재조정하기 전에 과거 가격을 검색하고 가중치를 계산합니다. "재조정" 기능은 우주의 모든 증권을 반복하고 목표 가중치를 달성하기 위해 주문합니다. 컨텍스트 포트폴리오와 가중치를 인쇄하기 위해 익명 함수가 정의되고 가중치 개체를 계산하기 위해 "advisor" 클래스가 생성됩니다.
발표자는 이름 및 신호 기능을 포함하여 "고문" 클래스에 대한 입력을 정의하는 방법과 주식 선택 유니버스를 전달하는 방법을 설명합니다. 초기화 및 조언자의 성과 저장은 물론 구매/판매 신호를 생성하기 위해 신호 기능을 호출하는 기본 기능을 정의합니다. 발표자는 종종 과거 가격의 가중 함수로 표현되는 기술 지표를 기반으로 신호 함수를 정의하는 것을 강조합니다. 그들은 AQR Capital Management의 Cliff Asness와 같은 전문가의 이론 논문을 참조할 것을 권장합니다.
기술 지표와 시장과의 상관 관계는 주성분 분석을 사용한 통계 분석을 기반으로 논의됩니다. 기술 지표는 과거 가격이나 수익률에 대한 필터 역할을 하며 고주파 또는 저주파 데이터를 필터링하여 장기 또는 단기 추세를 포착합니다. 그러나 기술 지표는 자기 충족적 예언일 수 있으며 모멘텀 또는 손절매 사냥으로 이어질 수 있는 특정 유형의 거래 알고리즘에 취약합니다. 거래 전략을 개발하고 백테스팅할 때 다양한 지표의 포트폴리오를 보유하는 것이 중요합니다.
강사는 기술 분석 라이브러리 가져오기에 대해 설명하고 사용 가능한 기술 지표를 나열합니다. Bollinger Bands의 예를 사용하여 강사는 "Bbands" 함수를 시연하여 마지막 행의 값을 검색합니다. RSI, MACD, 피보나치 지원, 저항 등과 같은 다른 기능도 선보입니다. 강사는 "get_price" 기능과 각 기간의 거래 시점을 확인하는 "handle_data" 기능에 대해 설명합니다. "run_strategy" 함수는 "advisor_compute_signal_price" 함수를 사용하여 적합한 인수를 찾은 다음 "rebalance" 함수를 사용하여 목표 비율에 대한 주문을 합니다. 마지막으로 "분석" 기능은 전략 분석에 사용됩니다.
연사는 알고리즘 거래 이익을 향상시키기 위한 전략 포트폴리오 관리에 중점을 둡니다. 단일 전략에 의존하는 대신 여러 전략을 동시에 또는 서로 다른 기간에 실행하는 것이 좋습니다. 전략 포트폴리오 관리를 위한 네 가지 방법인 위원회 구성, 제도 전환 모델 사용, 동적 할당 및 요소 기반 투자에 대해 논의합니다. 평균화는 신호 안정성을 향상시킬 수 있습니다. 전략 코드에는 고문 선택 및 자본 할당을 담당하는 에이전트를 추가하는 것이 포함됩니다. 에이전트는 재조정 기능에 영향을 미치는 권고자 가중치를 업데이트하기 위해 가중치 기능을 사용합니다.
연사는 조언자 수를 기준으로 각각에 대해 균등하게 할당된 포트폴리오를 정의하고 평가하는 방법을 설명합니다. 그들은 그들 사이에 자본을 할당하기 위해 별도의 전문 고문과 대리인을 만드는 것을 보여줍니다. QuickBacktest를 사용한 백 테스트는 개별 사례에 비해 크게 향상된 성능을 보여줍니다. 화자는 트레이딩 전략에서 드로우다운의 중요성을 강조하며 소르티노 비율과 손익 곡선의 안정성을 살펴볼 것을 제안합니다. 동일한 가중 평균 입력 포트폴리오는 성능을 크게 향상시키지만 더 개선할 여지가 있습니다.
연사는 예측하기 어려운 시장에서 최선의 투자 전략을 결정하는 '후회 없는 거래'의 개념을 소개합니다. 단일 투자에 의존하는 대신 전략에는 각 투자의 가중치를 다양화하는 것이 포함됩니다. 연사는 지수 기울기 알고리즘을 사용하여 가중치를 결정하고 시장 시나리오에 대한 포트폴리오의 반응에 따라 가중치를 조정할 것을 권장합니다. 켈리 기준은 또한 자본 배분에 대해 제안되어 기하학적 브라운 운동을 기반으로 수익 대 분산을 최대화합니다.
발표자는 가중치의 출력과 조언자마다 가중치가 어떻게 다른지 설명합니다. 진정으로 무작위인 경우 다른 신호에 비해 이상적으로 덜 할당되는 무작위 신호를 테스트합니다. 발표자는 어드바이저 목록과 학습률 매개변수를 사용하고 가중치 함수를 계산하는 에이전트 기능에 대해 논의합니다. 조언자 목록을 반복하고, 조언자 신호를 계산하고, 섹터별로 집계하고, 계산된 가중치를 기반으로 컨텍스트 가중치를 업데이트합니다. 이 섹션은 과적합 방지, 계정 레버리지 확인, 시청자가 탐색할 수 있는 데모 전략 목록 제공 등 전략 개발에 대한 지침으로 마무리됩니다.
연사는 종이 거래 또는 라이브 시장에서 소량의 자본으로 거래하는 것과 같은 다양한 포워드 테스트 방법에 대해 논의합니다. 그들은 BlueShift가 현재 PI torch 또는 Jupiter Notebook을 지원하지 않지만 Keras 및 TensorFlow를 지원할 계획이라고 언급합니다. 이 플랫폼은 인도 시장에 국한되지 않고 미국 및 인도 주식 데이터와 FX 데이터에 액세스할 수 있습니다. 발표자는 현재 BlueShift에 내장된 디버깅 도구가 없지만 향후 추가할 것을 고려하고 있다고 말합니다.
발표자는 옵션 백테스팅에 대해 이야기하고 이를 제공하는 대부분의 플랫폼이 신뢰할 수 없거나 광범위한 데이터 정리 및 정렬이 필요하다고 언급합니다. 그들은 또한 Indian Graviton이 유동적인 선물만 지원하고 타사 데이터 피드를 허용하지 않는다는 점에 주목합니다. 권장되는 최소 백테스트 기간은 거래 빈도에 따라 다르며 인도 시장에 대한 1분 데이터를 사용할 수 있지만 기술 제한으로 인해 최적화 실행이 효율적이지 않습니다. BlueShift는 수수료가 없으며 웹사이트 트래픽이 처리할 수 있는 한 동시 백테스트 수에 제한이 없습니다. PSA에 대한 백테스팅 및 Python 패키지 사용이 가능하지만 보안상의 이유로 사용 가능한 패키지 목록이 제한되어 있습니다.
발표자는 백테스팅이 거래 전략을 개발하고 평가하는 중요한 단계라고 설명합니다. 실제 시장에 전략을 배포하기 전에 전략이 실행 가능하고 수익성이 있는지 판단하는 데 도움이 됩니다. 실제 결과를 보장하기 위해 백테스팅할 때 거래 비용, 미끄러짐 및 기타 실제 요인을 고려하는 것의 중요성을 강조합니다.
연사는 거래 전략을 백테스팅하고 배포하기 위한 환경을 제공하는 BlueShift 플랫폼을 소개합니다. BlueShift는 인도 주식, 미국 주식 및 외환 시장에 대한 백테스팅을 지원합니다. 사용자는 Python을 사용하여 전략을 작성하고 테스트하고 다양한 내장 기능과 라이브러리를 활용할 수 있습니다. 이 플랫폼을 통해 사용자는 선호도에 따라 전략을 종이로 거래하거나 실제 자본으로 거래할 수 있습니다.
연사는 실제 시장에서 적은 자본으로 전략을 전개하는 포워드 테스트의 중요성을 강조합니다. 이를 통해 실시간 조건에서 전략의 성능과 동작을 검증할 수 있습니다. BlueShift는 현재 인도 시장에 대한 포워드 테스트를 지원하며 사용자는 최대 1000만 인도 루피의 가상 자본으로 종이 거래를 할 수 있다고 언급합니다.
옵션 백테스팅에 대해서도 논의하며 발표자는 옵션 백테스팅을 위한 많은 기존 플랫폼이 신뢰할 수 없거나 광범위한 데이터 정리 및 준비가 필요하다고 언급했습니다. 그들은 BlueShift가 현재 옵션 백테스팅을 지원하지 않지만 나중에 추가하는 것을 고려할 수 있다는 점에 주목합니다.
데이터 가용성과 관련하여 연사는 BlueShift가 인도 주식, 미국 주식 및 외환 시장에 대한 과거 데이터를 제공한다고 언급합니다. 그러나 그들은 인도 시장에 대한 1분 데이터로 전략을 최적화하는 것은 기술적 한계로 인해 효율적이지 않을 수 있다고 지적합니다.
연사는 BlueShift가 백테스팅 또는 플랫폼 사용에 대한 수수료가 없음을 분명히 합니다. 사용자는 웹사이트 트래픽이 로드를 처리할 수 있는 한 원하는 만큼 백 테스트를 수행할 수 있습니다. 또한 BlueShift에는 보안상의 이유로 사용 가능한 Python 패키지 목록이 제한되어 있지만 사용자는 여전히 pandas 및 numpy와 같은 인기 패키지를 활용할 수 있다고 언급합니다.
연사는 전략 개발에서 철저한 백테스팅과 포워드 테스팅의 중요성을 강조합니다. 프레젠테이션 중에 논의된 제한 사항과 고려 사항을 염두에 두면서 사용자가 BlueShift 플랫폼을 활용하여 거래 전략을 백테스팅하고 배포하도록 권장합니다.
외환 거래 전략 | 거래 아이디어 개발 및 백테스트 | 전체 FX 튜토리얼
외환 거래 전략 | 거래 아이디어 개발 및 백테스트 | 전체 FX 튜토리얼
이 유익한 웨비나에서 연사는 체계적인 거래 전략 연구 및 백테스팅을 위한 강력한 전략 개발 플랫폼인 Quantiacs BlueShift에 대한 포괄적인 개요를 제공합니다. 이 플랫폼은 거래자에게 이상적인 도구가 되는 다양한 특징과 기능을 제공합니다.
BlueShift는 클라우드 기반 플랫폼으로, 사용자가 어디서나 액세스할 수 있어 이동 중에도 전략을 개발하고 분석할 수 있습니다. 사용자에게 내장된 재무 데이터 세트를 제공하여 전략 개발을 위해 관련 시장 데이터에 편리하게 액세스할 수 있습니다.
웨비나는 주로 외환(FX) 시장에 초점을 맞추지만 BlueShift 플랫폼은 다양한 시장에서 주식 및 선물 거래도 지원합니다. 플랫폼에서 개발된 백테스팅 전략의 지적 재산은 전적으로 사용자에게 속하며 기밀성과 소유권을 보장한다는 점을 강조합니다.
연사는 외환 시장의 특성에 대해 깊이 파고들며 일일 거래량이 약 5조 달러에 달하는 엄청난 규모의 분산형 시장으로서의 위상을 강조합니다. 이 볼륨 내에서 약 3,000억 달러가 소매 거래에 기인할 수 있습니다. 발표자는 더 높은 레버리지, 더 쉬운 공매도 기회, 상대적으로 더 낮은 변동성 등 FX 시장을 주식 시장과 차별화하는 몇 가지 요인에 대해 논의합니다.
외환 시장을 움직이는 요인을 이해하기 위해 연사는 국제 수지, 금리, 인플레이션, 경제 성장 및 재정 정책과 같은 거시 경제 요인의 중요성을 지적합니다. 그들은 또한 급격한 정치적, 지정학적 변화뿐만 아니라 기업 및 헤징 흐름이 시장에 상당한 영향을 미칠 수 있다고 언급합니다. 그러나 외환 시장의 가치를 평가하기 위한 표준 또는 널리 인정되는 방법론이 없다는 점에 유의하는 것이 중요합니다. 연사는 대규모 기관과 국제통화기금(IMF)이 선호하는 고급 기술과 함께 구매력 평가 및 실질 실효 환율과 같은 방법을 간략하게 언급합니다. 또한 연사는 유동성을 촉진하고 익일 롤오버 비용을 결정하는 데 있어 단기 자금 조달 시장의 중요성을 강조합니다.
외환 거래 전략을 개발하고 백테스팅할 때 연사는 다양한 접근 방식을 소개합니다. 통화 모델 및 행동 균형 환율 모델과 같은 경제 모델은 계량 경제학 방법을 사용하여 데이터를 분석합니다. 시계열 예측, 비선형 시계열 및 신경망을 포함한 데이터 기반 모델도 단기 외환 거래를 위한 실행 가능한 옵션으로 논의됩니다. BlueShift 플랫폼은 전략 개발 및 테스트를 용이하게 하는 사용자 친화적인 인터페이스로 제공됩니다. 사용자는 다른 세부 정보 중에서 데이터 세트, 시작 자본 및 메타데이터 설명을 입력할 수 있습니다. 이 플랫폼은 완전한 백테스팅과 빠른 백테스팅 실행을 위한 도구를 제공합니다. Python의 Zipline API를 기반으로 구축된 BlueShift는 사용자가 개발 프로세스를 시작할 수 있는 표준 전략 템플릿을 제공합니다.
연사는 외환 거래 전략의 기본 구조와 백테스팅에 필요한 주요 기능에 대해 자세히 설명합니다. 그들은 Baptist 매개변수와 회계 매개변수를 설정하는 "초기화" 기능을 설명합니다. "거래 시작 전" 기능은 거래 세션 시작 시 하루에 한 번 호출되며, 미니 데이터 세트에 대해 매분 호출되는 "데이터 처리" 기능이 뒤따릅니다. 마지막으로 "전략" 기능은 특정 시간과 날짜에 대해 API를 사용하여 예약되고 규칙은 사용자가 정의합니다. 빠른 백 테스트를 실행한 후 사용자는 Baptist 탭에 액세스하여 주식 곡선, 티어 시트 및 기타 통계를 포함한 다양한 데이터 세트를 볼 수 있습니다.
연사가 설명하는 테어 시트는 거래 전략을 분석하기 위한 일련의 보고서를 제공합니다. 여기에는 최대 오메가 비율, Sortino 비율, 왜도, 첨도, 시계열의 안정성 등과 같은 매개변수가 포함됩니다. 연사는 BlueShift를 사용하여 초기화, "거래 시작 전" 및 "데이터 처리"를 거쳐 스케줄링, 수수료 설정, 슬리피지 설정, 계정 통화 설정과 같은 다양한 API 기능을 활용하는 작업 흐름을 시연합니다. 연사는 외환 거래 전략을 위한 표준 템플릿의 가용성을 언급합니다.
연사는 BlueShift 플랫폼에서 외환 거래 전략을 위한 표준 템플릿의 가용성을 언급합니다. 이 템플릿은 사용자가 시작 및 종료 규칙, 위험 관리 매개 변수 및 기타 사용자 지정 옵션을 정의하여 전략을 개발할 수 있는 시작점을 제공합니다.
또한 BlueShift 플랫폼은 이동 평균, 오실레이터 및 추세 추종 지표를 포함하여 거래 규칙 및 신호를 구축하는 데 사용할 수 있는 다양한 내장 기술 지표를 제공합니다. 사용자는 이러한 지표를 고유한 맞춤형 논리와 결합하여 고유하고 개인화된 전략을 만들 수 있습니다.
거래 전략의 성과를 검증하고 평가하기 위해 연사는 엄격한 백테스팅 수행의 중요성을 강조합니다. BlueShift를 사용하면 과거 데이터를 사용하여 전략을 백테스트하여 실제 거래 시나리오를 시뮬레이션할 수 있습니다. 이 플랫폼은 수익성, 손실 분석, 위험 조정 수익률 및 Sharpe 비율, Sortino 비율 및 Calmar 비율과 같은 다양한 비율을 포함한 포괄적인 성과 지표를 제공합니다.
전략이 백테스트되고 검증되면 발표자는 다음 단계는 라이브 거래 환경에 전략을 배포하는 것이라고 제안합니다. BlueShift는 여러 중개업체와의 통합을 제공하여 사용자가 플랫폼에서 직접 전략을 실행할 수 있도록 합니다. 이 완벽한 통합은 전략 개발에서 실시간 거래로의 원활한 전환을 보장합니다.
발표자는 Forex 전략 개발 및 백테스팅에 BlueShift를 사용할 때의 이점을 강조하면서 웨비나를 마무리합니다. 이 플랫폼은 사용자 친화적인 인터페이스, 다양한 재무 데이터 세트에 대한 액세스, 포괄적인 도구 및 지표 세트를 제공합니다. 트레이더가 외환 거래 전략을 쉽고 효율적으로 개발, 테스트 및 배포할 수 있도록 지원합니다.
웨비나는 BlueShift 플랫폼, 그 기능 및 외환 거래 전략 개발에서의 적용에 대한 자세한 개요를 제공합니다. 외환 시장, 다양한 모델링 접근 방식 및 강력한 백테스팅의 중요성에 대한 귀중한 통찰력을 제공합니다. Forex 거래 전략을 향상시키려는 거래자는 BlueShift가 무기고에서 귀중한 도구임을 알게 될 것입니다.
전략은 항상 하나보다 낫습니다. 발표자는 또한 LE 기준, 동일 가중 및 모멘텀 가중 전략과 같은 위험 자본 배분을 위한 다양한 방법을 언급합니다. 또한 Bollinger Bands 기술 지표를 사용하여 예제 전략을 제공하고 백 테스트 결과의 인상적인 통계를 보여줍니다. 그는 일관성을 보장하고 과적합을 피하기 위해 시간 경과에 따른 전략 수익의 안정성을 측정하는 것의 중요성을 강조하면서 결론을 내립니다.
EPAT가 당신을 도울 수 있는 방법! Nitesh Khandelwal 작성 - 2018년 6월 28일
EPAT가 당신을 도울 수 있는 방법! Nitesh Khandelwal 작성 - 2018년 6월 28일
연사인 Nitesh Khandelwal은 지난 8년 동안 알고리즘 및 양적 거래 교육을 제공한 회사인 ConTeSt와 자신을 소개합니다. 그는 공학 시절부터 은행 업계에서의 경험에 이르기까지 개인적인 배경을 공유하는 것으로 시작합니다. 그런 다음 컨설팅, 교육 및 고주파 거래(HFT) 도메인 거래로의 원활한 전환을 제공하는 6개월 프로그램인 EPAT(Executed Program Algorithmic Trading)의 출시를 강조합니다. Khandelwal은 싱가포르에서의 경험을 언급하면서 전 세계 거래소에 대한 테스트를 설정하고 비즈니스를 글로벌 규모로 확장했습니다.
계속해서 Khandelwal은 알고리즘 거래와 DIY(do-it-yourself) 거래와 비교하여 그 성장에 대해 논의합니다. 그는 아시아, 유럽 및 미국에서 알고리즘 거래가 크게 증가하고 있음을 나타내는 통계를 공유하며 거래자들이 이제 브로커에 의존하기보다 자신의 거래 결정을 선호하는 방식을 강조합니다. 그러나 그는 알고리즘 거래가 인도 시장 활동의 상당 부분을 차지하지만 소매 참여는 상대적으로 낮다고 지적합니다. Khandelwal은 금융 일자리를 대체하는 로봇의 역할 증가를 탐구하는 Bloomberg의 기사를 참조합니다.
Khandelwal은 계속해서 소매 거래자들이 알고리즘 거래를 채택할 수 없었던 이유를 설명하고 알고리즘 거래가 위협이 아닌 조력자가 되도록 하는 방법을 제안합니다. 그는 통계 및 기술 지식의 필요성, 양질의 시장 데이터 및 효율적인 중개인에 대한 액세스, 자동화로 전환할 때 실무자의 지침을 강조합니다. 그는 이러한 요구 사항을 해결하고 알고리즘 거래 또는 전략 자동화에 관심이 있는 개인에게 지침을 제공하기 위해 EPAT가 어떻게 만들어졌는지 설명합니다.
다음으로 Khandelwal은 EPAT의 기능에 대해 설명합니다. 그는 이 프로그램이 실무자, 도메인 전문가 및 주요 펀드 매니저가 만든 풍부한 콘텐츠를 제공한다고 언급합니다. 커리큘럼은 시장 요구 사항에 맞게 지속적으로 업데이트되며 업데이트된 콘텐츠에 대한 평생 액세스가 제공됩니다. EPAT에는 문의 사항을 해결하기 위한 전담 지원 팀, 졸업생을 위한 교수진 지도, 취업 기회, 거래 데스크 설정, 관련 중개인 및 데이터 공급업체 찾기 등을 지원하는 경력 셀이 포함됩니다. 또한 EPAT 참가자는 자신에게만 제공되는 독점 기능에 액세스할 수 있습니다.
Khandelwal은 모든 참가자가 같은 페이지에서 코스를 시작할 수 있도록 하는 EPAT의 입문서 모듈의 중요성을 강조합니다. 입문서 모듈은 알고리즘 거래의 기본 구성 요소인 Excel, Python, 통계 및 금융 시장의 기본 사항을 다룹니다. 그는 프로그램에서 최대 가치 추출을 제공하기 위해 시간이 지남에 따라 프라이머 모듈이 어떻게 진화하는지 설명합니다. 또한 Khandelwal은 알고리즘 및 전당포 거래에서 가장 널리 사용되는 프로그래밍 언어로서 Python의 관련성을 논의하여 EPAT 프로그램에 Python을 포함시켰습니다.
그런 다음 연사는 EPAT에서 다루는 다양한 모듈과 접근 방법에 대해 자세히 설명합니다. 이 프로그램은 Python의 데이터 분석 및 모델링, 고급 통계 방법론, 주식 효과 및 선물 전략, 거래를 위한 기계 학습을 다룹니다. Khandelwal은 알고리즘 거래의 옵션 거래 전략, 포트폴리오 최적화 및 운영 위험뿐만 아니라 거래 전략 이면의 인프라와 운영을 이해하는 것이 중요하다고 강조합니다. 그는 또한 도메인 전문가의 멘토링 아래 프로젝트를 완료하고 검증된 인증서를 얻기 위해 EPAT 시험을 치르는 것의 중요성을 강조합니다.
Khandelwal은 6개월에 걸쳐 100시간 이상의 강의실 연결, 실습 경험 및 300시간 이상의 교과 과정을 포함하는 EPAT 인증 프로그램에 대한 개요를 제공합니다. 그는 실무자, 학자 및 성공적인 거래자를 포함하여 프로그램을 가르치는 저명한 교수진을 언급합니다. 이 프로그램은 배치 기회를 제공하고 이력서 및 인터뷰 준비, 기술 격차 식별, 중개인 및 투자 은행과 같은 배치 파트너에 대한 액세스에서 참가자를 지원합니다. EPAT 참가자는 Contra Blue 시뮬레이터와 같은 고급 백테스팅 도구뿐만 아니라 특권 중개 데이터 및 API 제공자에 대한 액세스 권한도 얻습니다.
또한 Khandelwal은 EPAT의 이점과 참가자에게 가치를 추가하는 방법에 대해 설명합니다. 그는 인도 시장과 S&P 500 주식에 대한 세부 데이터에 대한 액세스, 지속적인 학습 기회, 경력 지원 및 동창회에 대해 언급합니다. 그는 EPAT가 단순한 인증서를 넘어 기존 기술 세트에 근본적인 양적 차원을 제공한다고 강조합니다. Khandelwal은 EPAT가 기성 작업 전략을 제공하기보다 참가자들에게 거래 전략을 만들고 검증하는 방법을 가르치는 데 중점을 둔다고 설명합니다. 그는 전략의 성공률이 인프라 액세스, 위험 관리 및 위험 성향과 같은 요인에 따라 다르다는 것을 인정합니다.
Khandelwal은 기술 분석가가 EPAT를 연구한 후 MACD 교차, 이동 평균 및 RSI와 같은 전략을 사용하여 거래를 자동화할 수 있는지 여부에 대한 질문에 답합니다. 그는 프로그램이 이러한 전략을 다루고 참가자가 거래를 자동화할 수 있는 지식과 도구를 갖도록 보장한다고 확인합니다.
그런 다음 스피커는 자신의 알고리즘 트레이딩 데스크를 시작하는 데 필요한 투자에 대해 논의하고 애널리스트의 세금은 데스크의 빈도에 따라 다르다고 설명합니다. 그는 EPAT가 주로 저주파 및 중빈도 거래에 초점을 맞추지만 고주파 전략의 측면도 다루고 있다고 언급합니다. 이 프로그램은 Python, Excel, R 및 MATLAB을 결합하며 프로그래밍 기술과 개념적 명료성이 필요합니다. EPAT는 학생들이 자신의 트레이딩 데스크를 설정할 수 있도록 지침을 제공합니다. EPAT는 취업 알선을 보장하지는 않지만 취업을 원하는 졸업생에게 지침을 제공합니다.
Khandelwal은 EPAT가 배치 보장을 제공하지는 않지만 지원자가 프로그램에 등록하기 전에 알고리즘 거래에 대한 기본적인 이해를 할 수 있도록 상담을 제공한다고 설명합니다. 그는 프로그램의 광범위한 배치 파트너 네트워크로 인해 일자리를 얻거나 경력을 변경하는 데 적극적으로 찾는 많은 EPAT 학생의 성공을 강조합니다. 그는 EPAT의 학습 관리 시스템이 모든 세션과 업데이트된 콘텐츠에 대한 평생 액세스를 제공하며 코스에는 약 300시간의 시간 약속이 필요하며 매일 1시간을 할애하여 3개월에 걸쳐 퍼질 수 있다고 언급합니다. Khandelwal은 EPAT가 실용적인 구현에 중점을 두는 것이 이론 과정과 차별화된다는 점을 강조합니다.
Khandelwal은 선진 시장의 경우 $4,720, 인도의 경우 INR 189,000에 GST를 더한 EPAT 과정의 수수료 구조에 대해 설명합니다. 그는 또한 전략을 코딩하기 위한 중개인과 API의 필요성을 언급하고 EPAT 팀이 인도와 싱가포르에서 더 많은 성공을 거두었지만 참가자들은 홍콩에서 경력 지원을 기대할 수 있다고 설명합니다. 그는 EPAT 모듈이 상호 의존적이며 전체적으로 받아들여야 하지만 거래 지식이 제한적인 사람들에게는 매일 1~2시간의 노력으로 충분해야 한다고 조언합니다. 그는 EPAT 과정이 모든 유형의 거래 전략 패러다임을 다루고 참가자와 졸업생에게 원격 작업 기회를 제공한다고 언급하며 결론을 내립니다.
마무리 발언에서 발표자는 EPAT 프로그램이 포괄적이며 모든 모듈에 대한 완전한 액세스를 제공하므로 알고리즘 트레이딩 분야에 진출하려는 기술 배경을 가진 개인에게 유용하다고 강조합니다. 그들은 EPAT 참여자가 프로그램을 마친 후 자신의 벤처를 시작하거나 저명한 회사에서 일자리를 확보하는 많은 경우와 함께 해당 영역에서 가능한 다양한 직업 기회를 언급합니다. 연사는 이 분야에서 성공하기 위해 기본적인 통계, 상관관계 및 회귀를 이해하는 것이 중요하다고 강조합니다. 마지막으로 그들은 자동 거래 전략이 이익을 창출하고 인도 전체 거래량의 거의 50%를 차지한다고 강조하여 알고리즘 거래에 관심이 있는 사람들에게 상당한 잠재력을 나타냅니다.
알고리즘 트레이딩에 관한 AMA | 니테쉬 칸델왈
알고리즘 트레이딩에 관한 AMA | 니테쉬 칸델왈
알고리즘 거래에 관한 이 "무엇이든 물어보세요" 세션에서 알고 거래 회사인 Eragy의 공동 설립자인 Nitesh Khandelwal이 청중을 환영하고 주제에 대한 그의 전문 지식을 공유합니다. 이 세션은 플랫폼 및 중개인, 거래 전략, 시장 데이터, 취업 기회, 알고 거래 데스크 설정, 규정, 알고 거래의 미래, 학습 및 교육 기회를 포함하여 알고리즘 거래의 다양한 측면을 다루는 것을 목표로 합니다. Khandelwal은 세션이 사전 준비된 질문과 실시간 질문 사이의 균형을 맞출 것이며 답변되지 않은 질문에 대한 개별 후속 세션도 제공한다고 언급합니다.
발표자는 저주파, 중빈도 및 고주파 거래와 같은 다양한 거래 전략을 설명하는 것으로 시작합니다. 이러한 전략은 거래 인프라의 대기 시간과 주문 처리 시간을 기반으로 정의됩니다. 초점은 거래 전략의 대기 시간이 초당 실행되는 거래 수보다 더 중요하다는 점을 강조하는 데 있습니다. 그런 다음 이 섹션에서는 Yahoo Finance, Google Finance, Quandl, Alpha Vantage 및 FXCM과 같은 다양한 데이터 공급업체에 대해 논의하면서 시장 데이터 및 경제 데이터를 얻을 수 있는 위치를 자세히 설명합니다. 이러한 공급업체는 다운로드 가능한 데이터 또는 해당 플랫폼에서 사용할 수 있는 데이터를 제공합니다.
계속해서 발표자는 수동 다운로드, API 가져오기, Quandl, Global Data Feed, Trading Economics, Thomson Reuters 및 Active Financial과 같은 유료 벤더를 포함하여 알고리즘 거래를 위한 데이터 소스에 대해 논의합니다. 그들은 또한 고주파 거래자(HFT)가 일반적으로 수동 일일 거래자를 능가하는지 여부에 대한 질문을 다루며 분석되는 일일 거래자의 유형에 따라 다르다고 설명합니다. 트레이더가 차익 거래 기회나 시장의 비효율성을 이용한다면 기계가 수동 트레이더보다 빠를 수 있습니다. 그러나 트레이더가 철저한 조사 후 데이터를 분석하고 수동 주문을 실행하는 경우 기계가 반드시 더 효율적인 것은 아닙니다. 발표자는 과도하게 알고 거래되는 시장이 비생산적이라는 생각을 일축하고 자동화가 항상 고주파 거래를 요구하는 것은 아니라는 점을 분명히 합니다.
"팔꿈치"로 알려진 거래에서 알고리즘을 사용하는 개념을 설명합니다. 그것은 보다 효율적인 거래를 포함하며 수학 공식을 사용하여 자동화 및 정량화될 수 있습니다. 그러나 시장의 비효율성을 찾는 것은 어려울 수 있으며 고주파 거래 및 기술 인프라에서의 경쟁은 점점 더 비싸지고 있습니다. 연사는 또한 FBI의 중개 계정에서 여러 전략을 처리하는 방법에 대한 질문도 다룹니다.
통계 및 계량 경제학, 재무 컴퓨팅 및 퀀트 거래에 대한 지식을 포함하는 알고리즘 거래의 전제 조건이 논의됩니다. 발표자는 처음부터 시작하는 사람들이 Quant 웹 사이트에서 무료로 사용할 수 있는 리소스를 통해 이러한 핵심 요소에 대해 배울 수 있다고 언급합니다. 이미 거래 전략에 익숙하고 자동화를 원하는 거래자는 브로커 API를 사용하여 시작하여 결국 자체 플랫폼을 구축할 수 있습니다. 연사는 또한 틱 데이터에 대한 다양한 데이터 공급자를 설명하고 대부분의 벤더가 스냅샷 데이터를 제공하지만 고급 벤더는 더 높은 비용으로 진정한 틱 데이터를 제공할 수 있다고 언급합니다. 마지막으로, 현재 거래 전략으로 이미 성공한 트레이더의 경우 계속 업그레이드하고 실험하려는 경우가 아니라면 알고 트레이딩 학습이 필요하지 않을 수 있습니다.
기계가 실행을 처리하는 동안 감정 제어, 확장성 및 전략 작업을 위한 대역폭을 포함하여 거래 전략 자동화의 이점에 대해 논의합니다. 발표자는 알고리즘 트레이딩에서 성공하기 위한 프로그래밍 배경의 중요성을 강조하고 전 세계 대부분의 회사에서 Python을 널리 사용하고 있음을 강조합니다. 그러나 발표자는 고주파 거래는 소매 거래자에게 적합하지 않으며 일부 전략은 성공하기 전에 합리적인 금액의 자본이 필요할 수 있다고 조언합니다. 그럼에도 불구하고 Python에 대한 기본 지식이 있어도 알고리즘 거래를 시작할 수 있습니다.
통계, 계량 경제학 및 거래 전략에 대한 지식을 포함하여 알고리즘 트레이더가 되기 위해 필요한 기술에 대해 논의합니다. 연사는 또한 백오피스 역할에서 프런트오피스 거래 역할에 이르기까지 알고리즘 트레이딩의 다양한 경력 기회에 대해 설명합니다. 그들은 소프트웨어 및 데이터 과학 배경을 가진 개인이 알고 거래에 뛰어들 수 있다고 언급합니다. 그들의 배경이 이미 강력한 기반을 제공하고 금융 시장 측면을 선택하는 것이 상대적으로 더 쉬워야 하기 때문입니다. 발표자는 또한 이전 거래 경험 없이 알고리즘 거래로 성공적으로 전환한 QuantInsti의 40세 졸업생에 대한 블로그를 언급합니다. QuantInsti는 개인이 필요한 기술을 습득하고 경력을 발전시키는 데 적합한 사람들과 연결할 수 있도록 전용 경력 셀을 제공하는 기관으로 강조됩니다.
연사는 알고리즘 거래 언어와 연구 및 분석에서의 중요성에 대해 논의합니다. 초단타매매 회사는 대기 시간을 줄이기 위해 C++를 선호하지만 백테스팅 및 전략 평가에는 R과 Python이 더 많이 사용됩니다. 적중률 개선 및 연속 손실 관리에 대한 사용자의 질문에 대해 연사는 백 테스트에서 매개 변수를 최적화하고 샘플 내 및 샘플 외 거래를 활용하여 손실을 확인하도록 제안합니다. HFT 비율이 경쟁의 지표 역할을 하며 일반 차익 거래 전략은 포화도가 높은 시장에서는 성공하지 못할 수 있다고 말하는 화자와 함께 시장 포화도 해결됩니다.
다양한 알고리즘 트레이딩 전략을 더 자세히 살펴보며 일반 차익 거래 및 시장 조성 전략을 위한 강력한 기술 인프라의 필요성을 강조합니다. 연사는 총 비트 수량의 의미, HFT가 인도의 전통적인 거래자에게 미치는 영향, 알고 거래를 위해 데이터를 분석하는 데 사용되는 시간대를 포함하여 다양한 청중 질문에 참여합니다. 그들은 시간 지평이 거래 빈도에 달려 있다고 설명합니다. 또한 발표자는 소프트웨어 및 데이터 과학 배경을 가진 개인이 알고리즘 거래에 뛰어들도록 권장하며 그들의 배경은 이미 강력한 기반을 제공하고 있으며 금융 시장 측면에서 선택하는 것이 상대적으로 더 쉬워야 한다고 말했습니다.
Nitesh Khandelwal은 회사와의 거래 플랫폼 설정 가능성, 자동화에 대한 법적 승인, 비용 및 인도 시장 규정과 관련된 몇 가지 질문에 답합니다. 그들은 자신의 회사가 참가자와 졸업생에게 지침과 평생 지원을 제공하지만 컨설팅 서비스는 제공하지 않는다고 명시합니다. 자동화가 가능하며 비용은 필요한 인프라에 따라 다릅니다. 인도와 같은 국가에서는 각 거래 전략이 자동화되기 전에 승인이 필요하며 브로커만이 거래자를 대신하여 이를 수행할 수 있습니다. 전략에서 확률적 및 기본적 지표의 사용에 대해 논의하며 수동 또는 소프트웨어를 통해 사용할 수 있음을 언급합니다. 연사는 또한 알고리즘을 생성하기 위해 기계가 읽을 수 있는 뉴스와 경제 데이터를 읽을 수 있는 도구의 가용성에 대해 언급합니다.
이 세션에서는 인도 사람들이 비인도 시장에서 초단타매매(HFT)에 참여할 수 있는지 여부와 HFT가 소매 거래자들을 시장에서 멀어지게 하는지 여부를 조사합니다. 비인도 시장의 경우, RBA 승인 없이는 LRS 제도에 따라 외국 거래소에 상장된 거래 마진 상품에 대한 송금이 허용되지 않는다는 설명입니다. 그러나 글로벌 기업이 일부 거래를 인도 기업에 아웃소싱한다면 가능할 수 있다. HFT가 소매 거래자에게 미치는 영향과 관련하여 HFT의 존재는 시장에 유동성을 추가하고 스프레드를 축소하여 소매 거래자에게 혜택을 준다고 언급됩니다. 단, 선행매매와 같은 불법 행위는 도메인에 관계없이 허용되어서는 안 됩니다.
발표자는 초단타매매(HFT)가 개별 소매 거래자에게 해를 끼치지 않는다고 강조합니다. 이들은 일반적으로 기본적으로 수백 밀리초의 대기 시간이 내장된 웹 기반 브라우저를 사용하기 때문입니다. HFT 회사가 더 빠른 액세스 권한을 얻기 위해 불법적인 방법을 사용하더라도 소매 상인에게 영향을 미치지 않고 규칙을 따르는 다른 HFT 회사에 피해를 줍니다. 연사는 HFT가 차익 거래 기회를 없애기 때문에 소매 거래자들이 일반적으로 HFT가 창출하는 효율적인 시장의 혜택을 받는다고 강조합니다. 연사는 또한 영어로 알고리즘 거래 학습에 대한 질문에 답하고 지속적으로 수익성 있는 거래를 위한 몇 가지 중요한 구성 요소에 대해 논의합니다.
이 비디오는 시장이 끊임없이 변화함에 따라 알고리즘 거래 산업에서 지속적으로 진화하는 거래 전략의 중요성을 강조합니다. 인도의 많은 중개인이 알고리즘 거래를 지원하지는 않지만 일부는 semi-algo 또는 el-go와 같은 프로그래밍 방식 거래 옵션을 제공합니다. 연사는 또한 퀀트 분석가를 위한 고용 시장에 대해 논의하면서 박사 학위에만 국한된 것이 아니라 개인의 지식과 문제 해결 능력에 달려 있음을 강조합니다. 알고리즘 거래를 위한 하드웨어 및 인프라 요구 사항도 다루어집니다. 저주파 거래의 경우 Amazon 및 Google과 같은 회사에서 제공하는 적절한 노트북 또는 클라우드 컴퓨팅 옵션으로 충분합니다. 중간 빈도 거래에는 알고리즘 거래 플랫폼과 전문 서버가 필요하며 비용은 수천 달러에 달할 수 있습니다. 고주파 거래에는 $10,000에서 $25,000에 이르는 전문 서버가 필요합니다.
연사는 교환 및 위치에 따라 생방송을 진행하기 전에 필요한 승인에 대해 설명합니다. 그들은 EPAT 프로그램이 수익성 있는 전략을 보장하지는 않지만 포괄적인 범위의 주제를 다루고 실용적인 학습에 초점을 맞추고 있음을 분명히 합니다. 낮은 빈도, 중간 빈도 및 높은 빈도 알고리즘을 포함하여 자동 거래에 사용되는 다양한 유형의 알고리즘에 대해 설명합니다. 고주파수 알고리즘은 차익 거래, 시장 조성 및 더 빠른 컴퓨팅이 필요한 방향성 전략에 활용됩니다. 저주파 및 중주파 알고리즘은 기본 투자를 포함한 다양한 전략을 자동화할 수 있습니다. 모멘텀, 통계적 차익 거래, 옵션 기반 전략과 같은 대중적인 전략도 언급되며, 확장성, 감정 제어, 빅 데이터의 더 나은 분석과 같은 이점을 제공하는 알고리즘이 있습니다.
알고리즘 트레이딩에 관심이 있지만 프로그래밍 경험이 부족한 소매 트레이더를 위해 발표자는 기본 통계 및 트레이딩 전략을 배우는 것부터 시작할 것을 제안합니다. 자기 주도 학습을 위한 리소스를 제공합니다. Nitesh Khandelwal은 기존 거래 전략에 의존하기보다 자신만의 거래 전략을 만들어야 한다는 생각을 강조합니다. 그들은 또한 암호화폐 시장에서 알고 거래의 역할에 대해 언급하면서 일부 참여자는 암호화폐 거래를 위해 자동화 도구를 사용하지만 알고 거래가 암호화폐 붐의 유일한 원인은 아니라고 말했습니다. 알고 거래에 대한 인공 지능 및 머신 러닝의 잠재적 영향이 언급되었으며, 연사는 훈련 알고리즘에 필요한 컴퓨팅 성능의 경제성으로 인해 대규모 기관과 함께 개인 및 소매 거래자에게 힘을 실어줄 것이라고 강조했습니다.
연사는 금융 부문에서 발생하는 변화와 자동화로 인해 예상되는 알고리즘 거래에 대한 소매 참여의 증가에 대해 논의합니다. 대차대조표 데이터 리소스, 비금융 회사에서 알고리즘 트레이더로의 전환, CAGR(연간 복합 성장률) 및 알고리즘 거래의 승률에 대한 이상적인 숫자에 대한 청중의 질문을 다룹니다. 발표자는 수익률에만 초점을 맞추지 말라고 경고하고 대신 중요한 고려 사항으로 확장성, 강력한 인프라 및 기술을 강조합니다.
세션은 알고 트레이딩 사업을 시작하는 데 필요한 수익과 투자에 대해 논의할 때 위험을 고려하는 것의 중요성에 대해 논의하는 연사로 마무리됩니다. 투자는 필요한 인프라의 빈도와 유형에 따라 수천 달러에서 수십만 달러에 이를 수 있습니다. 발표자는 알고 거래 사업을 시작할 때 자동화 및 위험 관리가 고려해야 할 핵심 요소라고 언급합니다. 또한 인도의 실시간 데이터 가용성과 거래 전략의 승인 프로세스에 대한 통찰력을 제공하여 거래소가 전략의 세부 사항보다 위험 관리를 우선시한다는 점을 강조합니다. 마지막으로 연사는 인도 시장에서 좌익(레버리지 및 인트라데이) 전략을 백테스팅하고 작성하기 위한 좋은 웹사이트가 부족하다는 점을 인정합니다.
마지막 부분에서 연사는 참여자와 사용자에게 더 나은 노출과 혜택을 제공하는 것을 목표로 하는 Horn Insights의 다양한 시장을 위한 도구 개발에 대해 논의합니다. 그들은 경험과 배경과 같은 요인에 따라 달라진다는 점을 지적하면서 인도 퀀트의 급여 범위에 대한 질문을 다룹니다. 화자는 코로케이션이 조작이 아님을 강조하며 이를 기차로 여행하는 것보다 목적지에 더 빨리 도달하기 위해 비행기 여행에 돈을 지불하는 것과 비교합니다. 그들은 또한 대부분의 기술 지표 기반 전략이 Python을 사용하여 개발될 수 있다고 언급하고 알고리즘 거래 영역의 고급 프로그램이 널리 사용되지는 않지만 ANNIE pat 프로그램을 통해 평생 지침이 제공된다는 점을 강조합니다.
비디오의 마지막 순간에서 연사는 개인이 알고리즘 거래를 추구하도록 권장하고 시장이 수년에 걸쳐 크게 발전하여 소매 거래자들이 더 쉽게 접근할 수 있게 되었다고 언급합니다. QuantInsti 및 Horn Insights에서 사용할 수 있는 리소스를 탐색하여 알고리즘 거래에 대한 지식과 이해를 넓히도록 시청자를 초대합니다.