Quantitativer Handel - Seite 22

[MetaQuotes]

Trading Alpha: Entwicklung eines Mikro-Alpha-Generierungssystems | Algo-Trading-Konferenz

Trading Alpha: Entwicklung eines Mikro-Alpha-Generierungssystems | Algo-Trading-Konferenz

In diesem Webinar stellen die Gastgeber Dr. Thomas Stark vor, einen angesehenen Experten für künstliche Intelligenz und Quantencomputing aus Sydney, Australien. Dr. Stark hat einen Doktortitel in Physik und ist derzeit CEO von Triple A Trading, einem renommierten Pflanzenhandelsunternehmen in Australien. Mit einem Hintergrund, der frühere Tätigkeiten bei Eigenhandelsfirmen, Rolls-Royce und der Mitgründung eines Mikrochip-Designunternehmens umfasst, bringt Dr. Stark eine Fülle von Wissen und Erfahrung in die Diskussion ein.

Die Gastgeber klären zunächst das Konzept von Alpha, das sich auf unabhängige Handelsrenditen bezieht, die nicht von Marktbewegungen beeinflusst werden. Sie heben den Begriff „Mikroalpha“ hervor, der sich auf kleine Handelsstrategien konzentriert, die schrittweise zum Handelserfolg beitragen, anstatt außergewöhnliche Renditen zu erzielen. Während beiden Konzepten die Idee unabhängiger Renditen gemeinsam ist, betont Microalpha ausdrücklich die Bedeutung kleiner Strategien für den Handelserfolg.

Dr. Stark befasst sich mit der Entwicklung des Goldabbaus als Analogie zum Handel mit Alpha. Er erklärt, wie sich die Methoden des Goldabbaus vom traditionellen Nuggetwaschen zu groß angelegten Bergbaubetrieben entwickelt haben, bei denen kleine Mengen Gold aus Gesteinen gewonnen werden. In ähnlicher Weise hat sich auch der Handel mit Alpha weiterentwickelt, wobei viele traditionelle Strategien aufgrund von Arbitragemöglichkeiten überstrapaziert und weniger effektiv werden. Dr. Stark stellt das Konzept der Mikro-Alpha-Entwicklung vor, bei dem systematische Anomalien im Markt identifiziert werden, die für den Handelserfolg ausgenutzt werden können. Während maschinelles Lernen in diesem Prozess nur eine begrenzte Rolle spielt, ist manuelle Arbeit erforderlich, um ausnutzbare Inkonsistenzen zu identifizieren. Dr. Stark glaubt, dass Automatisierung und Backtesting diesen Prozess beschleunigen und verbessern können.

Der Redner betont die Nutzung von Marktineffizienzen zur Entwicklung von Mikro-Alpha-Erzeugungssystemen. Diese Ineffizienzen umfassen verschiedene Handelsstrategien wie Paarstrategien, Trends, Mean-Reversion, Kreuzkorrelation, Diagrammmuster und sogar Techniken des maschinellen Lernens. Ziel ist es, diese Ineffizienzen oder Strategien auszunutzen, um systematische und zuverlässige Ergebnisse zu generieren. Es ist jedoch von entscheidender Bedeutung, diese Strategien ohne Überanpassung zu optimieren und sie zu einer umfassenden Handelsstrategie zu kombinieren, um ein komplexes und dennoch effektives System zu schaffen. Dr. Stark betont, wie wichtig es ist, diese verschiedenen Aspekte zu verstehen, um ein leistungsstarkes System aufzubauen.

Dr. Stark erörtert das Konzept der Ausnutzung von Handelsanomalien und die Bedeutung der Kombination mehrerer Handelsstrategien. Während einige Händler möglicherweise unkonventionelle Methoden wie die Astrologie anwenden, betont Dr. Stark die Notwendigkeit von Kreativität beim Aufbau erfolgreicher Handelssysteme. Allerdings erfordert die Kombination von Strategien viel Liebe zum Detail, einschließlich präziser Zeitstempel und effizienter Programmierung. Händler müssen auch die Korrelationen und Verhaltensweisen einzelner Strategien berücksichtigen, um sicherzustellen, dass sie sich gegenseitig ergänzen, und um die optimale Gewichtung dieser Systeme zu bestimmen.

Der Redner betont die Bedeutung von Kennzahlen beim Backtesting einer Handelsstrategie. Sie erklären, dass die Untersuchung eines Tear Sheets mit verschiedenen Metriken entscheidend für das Verständnis der einzigartigen Merkmale jeder einzelnen Strategie ist. Es gibt keine einzelne, wichtigste oder ideale Metrik, da unterschiedliche Metriken für unterschiedliche Anwendungsfälle gelten. Beispielsweise ist die Sharpe-Ratio möglicherweise nicht für eine Strategie geeignet, die selten handelt, aber bei jedem Handel ein hohes Vertrauen hat. In solchen Fällen können Kennzahlen wie der Gewinnfaktor oder das Sortino-Verhältnis besser geeignet sein. Darüber hinaus betont der Redner die Bedeutung der Bewertung von Alpha und Beta bei der Bewertung eines Systems, um sicherzustellen, dass das Beta des Systems relativ niedrig ist.

Es werden verschiedene Kennzahlen zur Messung des Erfolgs einer Handelsstrategie besprochen, darunter die durchschnittliche jährliche Wachstumsrendite und der Drawdown. Dr. Stark betont, wie wichtig es ist, all diese Kennzahlen zu verstehen und durch Erfahrung Intuition zu entwickeln. Auch wenn die Intuition eine Rolle spielt, muss sie durch harte Fakten und mathematische Analysen gestützt werden. Der Referent weist außerdem darauf hin, dass die Wahl des Alphas von der Anlageklasse und ihrem Renditeprofil abhängt, wobei Aktien aufgrund der Wertschöpfung von Unternehmen tendenziell Trends und Aufwärtsbewegungen aufweisen. Es gibt jedoch kein spezifisches Alpha, das allgemein für alle Szenarien gilt, und es ist wichtig, den einzigartigen Fingerabdruck jeder Strategie durch eine umfassende Analyse zu verstehen.

Der Referent geht darauf ein, wie sich unterschiedliche Anlageklassen auf die Entwicklung von Handelsstrategien auswirken. Sie stellen fest, dass Aktien keine Nullsummen sind, während Devisen tendenziell symmetrischer sind. Es ist von entscheidender Bedeutung, diese Unterscheidungen zu treffen und die geeigneten Strategien basierend auf der Anlageklasse auszuwählen. Auch die Liquidität der gehandelten Vermögenswerte stellt Einschränkungen dar, die den Ansatz beeinflussen, insbesondere bei Optionen, Futures oder kleinen Aktien. Der für die Entwicklung eines Handelssystems erforderliche Grad an Fachwissen hängt von der Art des Systems ab und davon, ob es vollständig systematisch oder automatisiert ist. Dr. Stark weist darauf hin, dass für vollautomatische Systeme Kenntnisse in Programmiersprachen wie Python, Java und C++ erforderlich sind.

Dr. Stark erörtert die Fachkenntnisse und die Zeit, die für die Entwicklung eines Handelssystems erforderlich sind, und betont, wie wichtig es ist, Statistiken und Programmiergrundlagen zu verstehen. Auch wenn es komplex erscheinen mag, muss man kein Finanz- oder Programmierexperte sein, um in diesem Bereich zu lernen und Fortschritte zu machen. Die Entwicklung eines Handelssystems kann je nach Fachwissen einige Stunden bis mehrere Monate dauern und lässt sich letztendlich auf ein paar Codezeilen reduzieren. Der Prozess wird mit der Lösung mathematischer Probleme verglichen, wobei der analytische und problemlösende Charakter des Aufbaus von Handelssystemen hervorgehoben wird.

Der Redner betont, wie wichtig es ist, sowohl zu lernen als auch zu üben, um ein erfolgreiches Handelssystem zu entwickeln. Während Inspiration und Anleitung von externen Quellen wertvoll sein können, ist es auch wichtig, seriöse Werke in Mathematik und Programmierung zu lesen und daraus zu lernen. Als Voraussetzung für Interessierte empfiehlt der Referent „Active Portfolio Management“ von Grinold und Kahn, da darin Alpha-Ideen und Portfoliomanagement-Konzepte behandelt werden. Der Kurs geht jedoch über Theorie und Mathematik hinaus und bietet praktische Fallstudien und Beispiele, die den Studierenden zeigen, wie sie ihr Wissen in Computercode übersetzen können. Dr. Stark behauptet, dass selbst komplexe Strategien oft in nur ein oder zwei Zeilen Python-Code ausgedrückt werden können und dass das Verständnis der Programmierung zu effizienterem Backtesting und Exploration führen kann.

Der Redner rät den Teilnehmern, nicht nur Bücher über quantitative Analyse und Programmiersysteme für den Handel zu lesen, sondern sich auch mit der Denkweise des Handels auseinanderzusetzen, indem er sich mit Büchern wie „Trading Wizards“ und „Following the Trend“ befasst. Sie betonen, dass Trading nicht nur eine strenge Wissenschaft ist, sondern vielmehr ein kreativer Prozess, der eine besondere Denkweise und emotionale Intelligenz erfordert, die aus den Erfahrungen erfolgreicher Trader gelernt werden können. Der Referent bewirbt seinen Kurs zum Thema Trading-Alphas und bietet spezielle Rabatte für Webinar-Teilnehmer an. Das Video schließt mit der Einladung an das Publikum, im Rahmen einer Umfrage Fragen zu stellen und Feedback für zukünftige Webinare zu geben.

Während der Frage-und-Antwort-Runde gehen die Redner auf verschiedene Fragen des Publikums ein. Sie diskutieren den Unterschied zwischen Trading-Alpha-Kursen und Deep-Reinforcement-Learning-Kursen und betonen, dass sich der Deep-Reinforcement-Learning-Kurs auf Computerlernen konzentriert, während sich der Mikro-Alpha-Kurs auf den praktischen Prozess des Minings konzentriert. Das Fehlen eines allgemeinen Codes für die Marktkonnektivität im Mikro-Alpha-Kurs wird ebenfalls angesprochen, was auf die verschiedenen weltweit verwendeten Broker und Protokolle zurückzuführen ist. Der Mikro-Alpha-Kurs deckt jedoch Transaktionskosten und die Kombination von Alphas zur Portfoliooptimierung ab.

Der Redner betont, wie wichtig es ist, Transaktionskosten in Handelsstrategien einzubeziehen. Sie weisen darauf hin, dass die Auswirkungen von Transaktionskosten zwar je nach Einzelfall variieren können, das Verständnis, wie diese berücksichtigt werden, jedoch von entscheidender Bedeutung ist, um sicherzustellen, dass das System funktionsfähig bleibt. Für eine umfassende Analyse der Transaktionskosten wäre jedoch ein separater Kurs zur Analyse oder Modellierung von Transaktionskosten erforderlich. Der Referent rät auch davon ab, allein wegen der Beliebtheit von Python von Sprachen wie C++ auf Python umzusteigen, insbesondere wenn das bestehende System bereits profitabel ist. Die Entscheidung für einen Wechsel sollte auf dem Wunsch basieren, neue Modellierungsansätze zu erkunden oder neue Programmiersprachen zu erlernen. Der Redner erwähnt einen Überblick über den handelswidrigen Kurs, der umfassende Antworten auf verschiedene während der Sitzung aufgeworfene Fragen bietet.

In den Schlussbemerkungen dankt der Gastgeber Dr. Stark für seine wertvollen Einblicke und sein Fachwissen. Das Publikum wird ermutigt, im Rahmen einer Umfrage Feedback zu geben, Fragen einzureichen und seine Gedanken für zukünftige Webinare mitzuteilen. Abschließend dankt der Moderator den Zuschauern für ihre Teilnahme und Dr. Stark dafür, dass er seine Zeit und sein Fachwissen dem Webinar gewidmet hat.

• 00:00:00 Die Moderatoren stellen den Gastredner Dr. Thomas Stark vor, einen Experten für künstliche Intelligenz und Quantencomputing aus Sydney, Australien. Dr. Stark hat einen Doktortitel in Physik und ist derzeit CEO von Triple A Trading, einem führenden Pflanzenhandelsunternehmen in Australien. Zuvor war er bei den Eigenhandelsfirmen Rolls-Royce tätig und Mitbegründer eines Mikrochip-Designunternehmens. Die Gastgeber fragen die Teilnehmer außerdem, ob sie am vorherigen Webinar über Mikroalphas mit Dr. Stark teilgenommen haben, und führen eine Umfrage durch, um sich ein Bild von ihrem Publikum zu machen.
  
  
• 00:05:00 Die Referenten klären zunächst das Konzept von Alpha und wie es sich auf idiosynkratische Renditen bezieht, die unabhängig von den Bewegungen des Marktes sind und mit den Fähigkeiten des Portfoliomanagers oder Händlers verbunden sind. Sie erklären, dass sich Mikroalpha auf kleine Strategien bezieht, die ein wenig zum Erfolg des Handels beitragen, anstatt phänomenale Renditen zu erzielen. Während die beiden Begriffe in ihrer Vorstellung unabhängiger Renditen ähnlich sind, konzentriert sich Microalpha auf kleine Strategien, die zum Handelserfolg beitragen sollen.
  
  
• 00:10:00 Der Redner diskutiert die Entwicklung des Goldabbaus und wie er mit dem Handel mit Alpha zusammenhängt. Die Methoden des Goldabbaus haben sich im Laufe der Zeit verändert, vom Goldnuggetwaschen in Flüssen bis hin zum Einsatz riesiger Minen, um kleine Mengen Gold aus Gestein zu gewinnen. Ebenso haben sich die Handelsmethoden für Alpha weiterentwickelt, wobei viele traditionelle Strategien überbeansprucht und durch Arbitrage ersetzt werden. Der Redner stellt die Idee der Mikro-Alpha-Entwicklung vor, bei der es darum geht, systematische Anomalien im Markt zu finden, die ausgenutzt werden können. Er erkennt an, dass dieser Prozess eine Herausforderung sein kann, und möchte Tools bereitstellen, um ihn schneller und effizienter zu gestalten. Der Einsatz von maschinellem Lernen ist in diesem Prozess begrenzt und es ist manuelle Arbeit erforderlich, um ausnutzbare Inkonsistenzen zu finden. Der Referent ist davon überzeugt, dass durch Automatisierung und Backtesting der Prozess schneller und effektiver gestaltet werden kann.
  
  
• 00:15:00 Der Redner spricht über die Nutzung von Marktineffizienzen zur Entwicklung von Mikro-Alpha-Erzeugungssystemen. Zu diesen Ineffizienzen können Paarstrategien, Trends, Mittelwertumkehr, Kreuzkorrelation, Diagrammmuster und sogar maschinelles Lernen gehören. Die Idee besteht darin, diese Ineffizienzen oder Handelsstrategien auszunutzen, um systematische Ergebnisse zu erzielen. Es ist jedoch von entscheidender Bedeutung, diese Strategien ohne Überanpassung zu optimieren und sie zu einer umfassenderen Handelsstrategie zu kombinieren, um eine komplexe, aber effektive Maschine zu schaffen. Der Redner betont, wie wichtig es ist, diese verschiedenen Aspekte zu verstehen, um ein leistungsstarkes System aufzubauen.
  
  
• 00:20:00 Der Redner diskutiert das Konzept der Ausnutzung von Handelsanomalien und die Bedeutung der Kombination mehrerer Handelsstrategien. Während einige Händler möglicherweise unkonventionelle Methoden wie Astrologie verwenden, betont der Redner die Notwendigkeit, beim Aufbau erfolgreicher Handelssysteme kreativ zu sein. Die Kombination von Strategien erfordert jedoch Liebe zum Detail, einschließlich korrekter Zeitstempel und effizienter Programmierung. Darüber hinaus müssen Händler die Korrelationen und Verhaltensweisen einzelner Strategien berücksichtigen, um sicherzustellen, dass sie sich gegenseitig ergänzen, und bestimmen, wie sie die Systeme optimal gewichten können.
  
  
• 00:25:00 Der Redner diskutiert die Bedeutung von Kennzahlen beim Backtesting einer Handelsstrategie. Sie erwähnen, dass das Lesen eines Tear Sheets mit allen verschiedenen Kennzahlen entscheidend ist, um den Fingerabdruck jeder einzelnen Strategie zu verstehen. Der Referent erklärt, dass es keine wichtigste oder ideale Metrik gibt, sondern dass es spezifische Metriken gibt, die für bestimmte Anwendungsfälle gelten. Sie geben ein Beispiel dafür, dass das Sharp Ratio möglicherweise keine gute Kennzahl für eine Strategie ist, die nur ein paar Mal im Jahr handelt, aber bei jedem Trade ein hohes Vertrauen hat. Stattdessen könnten Kennzahlen wie der Profitfaktor oder Sortino besser geeignet sein. Abschließend betont der Redner die Bedeutung von Alpha und Beta bei der Bewertung eines Systems und erklärt, dass man darauf achten sollte, dass das Beta seiner Systeme relativ niedrig ist.
  
  
• 00:30:00 Der Redner spricht über verschiedene Kennzahlen zur Messung des Erfolgs einer Handelsstrategie, wie zum Beispiel die durchschnittliche jährliche Wachstumsrendite und den Drawdown. Sie betonen, wie wichtig es ist, alle Kennzahlen zu verstehen und durch Erfahrung Intuition zu entwickeln. Auch wenn Intuition wichtig ist, sollte sie durch harte Fakten und Mathematik untermauert werden. Der Redner weist außerdem darauf hin, dass die Art des verwendeten Alphas von der Anlageklasse und ihrem Renditeprofil abhängt, wobei Aktien aufgrund der Wertschöpfung von Unternehmen tendenziell tendenziell tendieren und steigen. Es gibt jedoch kein spezifisches Alpha, das für bestimmte Szenarien gilt, und es ist wichtig, den einzigartigen Fingerabdruck jeder Strategie auf einem Reifenblatt zu verstehen.
  
  
• 00:35:00 Der Redner erörtert, wie die Entwicklung unterschiedlicher Handelsstrategien durch die verschiedenen Anlageklassen beeinflusst wird, mit denen gehandelt werden kann, und weist darauf hin, dass Aktien ungleich Nullsummen sind, während Devisen viel symmetrischer sind. Der Redner betont, wie wichtig es ist, diese Unterscheidungen zu treffen und die richtigen Strategien basierend auf der Anlageklasse auszuwählen. Die Liquidität der gehandelten Vermögenswerte ist ebenfalls eine Einschränkung, die den Ansatz für Vermögenswerte wie Optionen, Futures oder kleine Aktien ändert. Während das für die Entwicklung eines Handelssystems erforderliche Maß an Fachwissen je nach Art des Handelssystems und ob es vollständig systematisch oder automatisiert ist, variiert, schlägt der Redner vor, dass für eine vollständige Automatisierung Kenntnisse in Programmiersprachen wie Python, Java und C plus plus erforderlich sind Systeme.
  
  
• 00:40:00 Der Referent geht auf die erforderliche Fachkenntnis und Zeit ein, die für die Entwicklung eines Handelssystems erforderlich ist, und sagt, dass für den Aufbau von Alphas ein grundlegendes Verständnis von Statistik und Fachwissen in der Programmierung erforderlich sind. Er fügt hinzu, dass es zwar komplex erscheinen mag, man aber kein Finanz- oder Programmierexperte sein muss, um in diesem Bereich zu lernen und Fortschritte zu machen. Der Redner gibt außerdem an, dass die Entwicklung eines Handelssystems je nach Fachwissen zwischen zwei Stunden und mehreren Monaten dauern kann und dass sich der Prozess letztendlich auf wenige Codezeilen reduziert. Darüber hinaus vergleicht er den Prozess des Aufbaus eines Handelssystems mit dem Prozess der Lösung mathematischer Probleme.
  
  
• 00:45:00 Der Redner erläutert, wie wichtig es ist, sowohl zu lernen als auch zu üben, um ein erfolgreiches Handelssystem zu entwickeln. Sie weisen darauf hin, dass Inspiration und Downloads von einer höheren Macht zwar hilfreich sein können, es jedoch wichtig ist, auch seriöse Werke der Mathematik und Programmierung zu lesen und daraus zu lernen. Der Referent empfiehlt „Active Portfolio Management“ von Grinold und Kahn als gute Voraussetzung für Interessierte, da darin die Ideen von Alphas und der Verwaltung von Portfolios behandelt werden. Der Referent weist jedoch auch darauf hin, dass ihr Kurs über Theorie und Mathematik hinausgeht, praktische Fallstudien und Beispiele bietet und den Studierenden beibringt, wie sie ihr Wissen in Computercode umsetzen können. Sie argumentieren, dass selbst komplexe Strategien oft auf nur ein oder zwei Zeilen Python-Code reduziert werden können und dass das Verständnis der Programmierung zu effizienterem Backtesting und Exploration führen kann.
  
  
• 00:50:00 Der Redner empfiehlt, nicht nur Bücher über quantitative Analyse und Programmiersysteme für den Handel zu lesen, sondern sich auch mit der Denkweise des Handels zu befassen, indem er Bücher wie Trading Wizards und Following the Trend liest. Er betont, dass Trading keine strenge Wissenschaft ist, sondern ein kreativer Prozess, der eine gewisse Denkweise und emotionale Intelligenz erfordert, die aus den Erfahrungen erfolgreicher Trader gelernt werden können. Der Redner wirbt außerdem für einen Kurs zum Thema Trading-Alphas und bietet den Teilnehmern spezielle Rabatte an. Abschließend bietet das Webinar den Teilnehmern die Möglichkeit, Fragen zu stellen.
  
  
• 00:55:00 Die Redner gehen auf Fragen des Publikums der Algo Trading Conference ein und behandeln Themen wie den Unterschied zwischen Trading-Alpha- und Deep-Reinforcement-Learning-Kursen, das Fehlen eines allgemeinen Codes für die Marktkonnektivität im Mikro-Alpha-Kurs und die Einbeziehung der Kombination von Alphas und Transaktionskosten im Kurs. Während sich der Deep Reinforcement Learning-Kurs auf Computerlernen konzentriert, konzentriert sich der Micro-Alpha-Kurs auf den praktischen Prozess des Minings. Das Fehlen eines allgemeinen Codes für die Marktkonnektivität ist auf die unterschiedlichen Broker und Protokolle zurückzuführen, die weltweit verwendet werden. Der Mikro-Alpha-Kurs deckt jedoch die Transaktionskosten und die Kombination von Alphas zur Portfoliooptimierung ab.
  
  
• 01:00:00 Der Redner diskutiert Transaktionskosten und die Bedeutung ihrer Berücksichtigung in Handelsstrategien. Sie weisen darauf hin, dass es zwar je nach Einzelfall variieren kann, es jedoch von entscheidender Bedeutung ist, ein gutes Verständnis dafür zu haben, wie Transaktionskosten berücksichtigt werden, um sicherzustellen, dass das System auch nach Berücksichtigung dieser Kosten noch funktioniert. Eine vollständige Analyse der Transaktionskosten würde jedoch einen weiteren Kurs von der Größe des Mikroalpha-Kurses erfordern, der sich ausschließlich der Analyse oder Modellierung von Transaktionskosten widmet. Der Redner weist auch darauf hin, dass man nicht unbedingt von einer Sprache wie C++ wechseln muss, nur weil Python beliebt ist, insbesondere wenn das System Geld verdient. Stattdessen ist ein Wechsel möglicherweise nur erforderlich, wenn jemand neue Wege zum Erstellen von Modellen oder zum Lernen erkunden möchte. Erwähnt wird auch der Überblick über den Trading-Adverse-Kurs, der umfassende Antworten auf verschiedene während der Sitzung gestellte Fragen bietet.
  
  
• 01:05:00 Das Video endet damit, dass der Moderator Dr. Stark für die Sitzung dankt und das Publikum ermutigt, im Rahmen der Umfrage Feedback zu geben. Der Moderator erinnert die Zuschauer daran, ihre Fragen im Rahmen der Umfrage zu stellen und ihre Gedanken für zukünftige Webinare mitzuteilen. Das Video endet damit, dass sich der Moderator bei den Zuschauern fürs Einschalten und bei Dr. Stark für seine Zeit und sein Fachwissen bedankt.

[MetaQuotes]

Einführung in den Price Action Trading

Einführung in den Price Action Trading

Das Webinar stellt das Konzept des Price Action Trading vor, bei dem Händler das grundlegende Preisverhalten eines Vermögenswerts im Laufe der Zeit untersuchen, um Handelsentscheidungen zu treffen, ohne sich auf technische Indikatoren zu verlassen. Der Redner erklärt Angebot und Nachfrage im Handel, die das Preisverhalten erzeugen, und die beim Preisaktionshandel verwendeten Instrumente wie Unterstützungs- und Widerstandsniveaus, Diagrammmuster und Pivotpunkte. Es werden die verschiedenen Arten von Chartmustern wie Umkehr- und Fortsetzungsmuster sowie ihre Bedeutung und deren Handel erläutert. Das Webinar behandelt auch die Verwendung der Fibonacci-Reihe und ihrer Verhältnisse im Price Action Trading, um das Preisverhalten zu verstehen und am Trend teilzunehmen. Der Kurs behandelt verschiedene Handelsstrategien und stellt Codes und Bedingungen bereit, die zur Analyse von Trades und Backtest-Strategien erforderlich sind.

In diesem Webinar hält Varun Kumar Portula, quantitativer Analyst bei QuantInsti, eine informative Sitzung zum Handel mit Preisaktionen. Er beginnt mit der Einführung des Konzepts des Price Action Trading, bei dem das grundlegende Preisverhalten eines Vermögenswerts im Laufe der Zeit analysiert wird, um Handelsentscheidungen zu treffen. Im Gegensatz zur Abhängigkeit von technischen Indikatoren wie RSI oder MSCD konzentriert sich der Handel mit Preisaktionen auf die Untersuchung der Angebots- und Nachfragekräfte auf dem Markt. Die Einfachheit und Erfolgsquote von Price-Action-Handelsstrategien haben sie bei Händlern beliebt gemacht.

Portula betont, dass der Handel mit Preisaktionen hauptsächlich für den kurz- und mittelfristigen Handel und nicht für langfristige Investitionen genutzt wird. Am Beispiel des Kursverhaltens einer Aktie zeigt er, wie Händler Angebot und Nachfrage analysieren können, um zukünftige Kursbewegungen vorherzusagen. Das Ungleichgewicht zwischen Angebot und Nachfrage führt zu verschiedenen Preisverhaltensweisen, die analysiert werden können, indem die Anzahl der Verkaufsaufträge im Vergleich zu Kaufaufträgen auf bestimmten Preisniveaus untersucht wird. Darüber hinaus nutzen Händler Tools wie Unterstützungs- und Widerstandsniveaus, Chartmuster und Pivot-Punkte im Preisaktionshandel.

Der Referent erklärt das Konzept von Angebot und Nachfrage im Handel, wobei Angebot den Verkauf auf dem Markt und Nachfrage den Kauf darstellt. Wenn das Angebot die Nachfrage übersteigt, führt dies zu einem Preisverfall, während es zu einem Preisanstieg führt, wenn die Nachfrage das Angebot übersteigt. Durch dieses Ungleichgewicht zwischen Angebot und Nachfrage entstehen Zonen wie Angebotszonen und Nachfragezonen, in denen die Preise tendenziell schwanken. Portula befasst sich auch mit der Bedeutung von Unterstützungs- und Widerstandsniveaus, die Zonen anzeigen, in denen Verkäufer oder Käufer die Kontrolle über den Markt haben. Händler können diese Konzepte nutzen, um Handelsstrategien zu entwickeln und fundierte Entscheidungen über den Ein- oder Ausstieg aus Positionen auf der Grundlage einer Angebots- und Nachfrageanalyse zu treffen.

Das Webinar untersucht dann zwei Arten von Chartmustern im Price Action Trading: Umkehrmuster und Fortsetzungsmuster. Umkehrmuster signalisieren eine Trendwende, entweder von einem Aufwärtstrend zu einem Abwärtstrend oder umgekehrt. Abwärtsgerichtete Umkehrmuster weisen auf Angebotszonen hin und deuten auf eine rückläufige Marktstimmung hin, während aufwärtsgerichtete Umkehrmuster Nachfragezonen darstellen und eine mögliche Umkehr in Richtung eines Aufwärtstrends implizieren. Der Redner liefert Beispiele für häufig verwendete Muster sowohl für bärische als auch für bullische Umkehrungen, wie z. B. Kopf-Schultern, Doppel-Tops, umgekehrte Kopf-Schultern und Doppel-Böden.

Fortsetzungsmuster werden als Muster diskutiert, die innerhalb eines bestehenden Trends auftreten und auf die mögliche Fortsetzung dieses Trends hinweisen. In einem Aufwärtstrend entstehen durch die Konsolidierung Muster wie Flaggenmuster, Pendelmuster und aufsteigende Dreiecke. In einem Abwärtstrend können Muster wie die Bärenflagge und absteigende Dreiecke beobachtet werden, die auf eine wahrscheinliche Fortsetzung des Abwärtstrends hinweisen. Das Video betont, wie wichtig es ist, das Preisverhalten zu untersuchen und diese Muster zu identifizieren, um zukünftige Preisbewegungen genau vorherzusagen.

Der Kursleiter betont auch die Bedeutung der Halslinie im Kopf-Schulter-Muster, da sie auf eine Schwäche im Aufwärtstrend hinweist. Beim Handel mit diesem Muster muss darauf gewartet werden, dass der Preis unterhalb der Halslinie liegt, und dann eine Short-Position mit einem Stop-Loss über der rechten Schulter und einem Gewinnziel bei der Kopflänge eingenommen werden. Der manuelle Handel mit diesem Muster kann jedoch eine Herausforderung darstellen. Aus diesem Grund nutzt der Kurs die Python-Programmierung, um selbst bei großen Mengen historischer Daten effizient nach dem Muster zu suchen.

Im Video geht es weiter um die Verwendung von Jupyter Notebook zum Scannen nach Kopf-Schulter-Mustern im Handel. Der bereitgestellte Code ermöglicht es Händlern, das Muster zu erkennen und danach zu suchen, und er unterstützt sie auch bei der Bestimmung von Ein- und Ausstiegspunkten für Kopf-Schulter-Muster. Der Kurs behandelt Backtesting für diese Strategie, um Risikoparameter effektiv zu ermitteln. Darüber hinaus behandelt der Abschnitt Pivotpunkte, die Frühindikatoren zur Berechnung potenzieller Unterstützungs- und Widerstandsniveaus sind. Es werden verschiedene Arten von Pivotpunkten erklärt, wie z. B. traditionelle Pivots, Camarilla-Pivots und Fibonacci-Pivots, jeweils mit einer eigenen Formel zur Berechnung der Unterstützungs- und Widerstandsniveaus. Pivot-Punkte dienen Swingtradern und Intraday-Tradern als nützliche Werkzeuge und unterstützen sie bei der Planung von Ausstiegen, Stop-Loss und Gewinnmitnahmen.

Das Konzept der Fibonacci-Reihe und ihre Verhältnisse im Price Action Trading werden ebenfalls besprochen. Händler nutzen Fibonacci-Verhältnisse wie 23,6 %, 38,2 %, 50 %, 61,8 % und 100 %, um das Preisverhalten zu verstehen und an Trends zu partizipieren. Während eines Aufwärtstrends nutzen Händler Retracement-Levels von 38,2 %, 50 % und 61,8 %, um bei Rückschlägen Geschäfte zu tätigen, um Käufe zu höheren Preisen zu vermeiden und Verluste zu minimieren. Das Video enthält Beispiele, die veranschaulichen, wie diese Verhältnisse berechnet und verwendet werden, um Long-Positionen effektiv einzugehen.

Der Referent betont, dass der Kurs verschiedene Handelsstrategien abdeckt, einschließlich der Verwendung von Fibonacci-Retracement und Trade-Level-Analysen zur Analyse von Trades und zur Untersuchung von Faktoren wie dem Prozentsatz der Gewinner, Verlierer und dem Gewinnfaktor. Für Backtest-Strategien werden ausführliche Erläuterungen und Codebeispiele bereitgestellt. Darüber hinaus wird eine Frage zur Eignung von Camarilla oder Technologieniveaus für den Intraday-Handel behandelt.

Abschließend endet das Webinar mit einem Dank an das Publikum und den Moderator für ihre Teilnahme und Aufmerksamkeit während der gesamten Sitzung. Varun Kumar Portula führt erfolgreich in das Thema Price Action Trading ein, behandelt dessen Grundlagen, erläutert die zugrunde liegende Philosophie und bietet Einblicke in die Tools, Chartmuster, Pivot-Punkte und Ebenen, die bei diesem Handelsansatz verwendet werden.

• 00:00:00 Varun Kumar Portula, quantitativer Analyst bei QuantInsti, führt in das Thema Price Action Trading ein. Er erklärt, dass es bei dieser Art des Handels darum geht, das grundlegende Preisverhalten eines Vermögenswerts im Laufe der Zeit zu untersuchen, um Handelsentscheidungen zu treffen, ohne sich auf technische Indikatoren wie RSI oder MSCD zu verlassen. Der Handel mit Preisaktionen ist bei Händlern aufgrund seiner Einfachheit und der Erfolgsquote seiner Strategien beliebt, wie die Tatsache zeigt, dass die Hälfte der Webinarteilnehmer manuelle Händler mit Erfahrung im Handel mit Preisaktionen waren. In der Sitzung werden die Grundlagen des Price-Action-Tradings, die Philosophie dahinter, Tools zu seiner Durchführung, Chartmuster sowie Pivotpunkte und -niveaus behandelt.
  
  
• 00:05:00 Das Konzept des Price Action Trading wird eingeführt, das hauptsächlich für kurz- und mittelfristigen Handel und nicht für langfristige Investitionen verwendet wird. Am Beispiel des Kursverhaltens einer Aktie wird gezeigt, wie Händler Angebots- und Nachfragekräfte analysieren können, um zukünftige Preisbewegungen vorherzusagen. Das Ungleichgewicht zwischen Angebot und Nachfrage erzeugt das Preisverhalten, und Händler können die Verfügbarkeit einer Aktie analysieren, indem sie die Anzahl der Verkaufsaufträge im Vergleich zu Kaufaufträgen auf einem bestimmten Preisniveau betrachten. Zu den weiteren beim Price-Action-Handel verwendeten Instrumenten gehören Unterstützungs- und Widerstandsniveaus, Diagrammmuster und Pivot-Punkte.
  
  
• 00:10:00 Das Konzept von Angebot und Nachfrage im Handel wird erklärt, wobei Angebot den Verkauf auf dem Markt und Nachfrage den Kauf darstellt. Übersteigt das Angebot die Nachfrage, führt dies zu einem Preisverfall, wohingegen die Preise steigen, wenn die Nachfrage über dem Angebot liegt. Durch das Ungleichgewicht zwischen Angebot und Nachfrage entstehen Zonen, in denen die Preise variieren, beispielsweise die Angebotszone und die Nachfragezone. Die Unterstützungs- und Widerstandsniveaus werden auch als Zonen erklärt, in denen die Verkäufer die Kontrolle haben, bis der Preis fällt, und die Käufer die Kontrolle zurückgewinnen, um die Aktie steigen zu lassen. Händler können diese Konzepte nutzen, um Handelsstrategien zu erstellen und Positionen auf der Grundlage von Angebots- und Nachfrageanalysen zu verlassen.
  
  
• 00:15:00 Der Referent erklärt die beiden Arten von Chartmustern im Price Action Trading, nämlich Umkehrmuster und Fortsetzungsmuster. Umkehrmuster wiederholen sich und signalisieren eine Trendwende, entweder von einem Aufwärtstrend zu einem Abwärtstrend oder von einem Abwärtstrend zu einem Aufwärtstrend. Abwärtsgerichtete Umkehrmuster stellen Angebotszonen dar und induzieren eine Abwärtsbewegung im Markt, während bullische Umkehrmuster Nachfragezonen darstellen und die Wahrscheinlichkeit einer Trendumkehr in Richtung eines Aufwärtstrends erhöhen. Der Redner liefert Beispiele für die gängigsten und am besten getesteten Muster, wie z. B. Kopf-Schulter-Muster und Doppel-Tops für bärische Umkehrungen sowie umgekehrte Kopf-Schulter-Muster und Doppel-Bottoms für bullische Umkehrungen.
  
  
• 00:20:00 Das Video erklärt das Konzept der Fortsetzungsmuster im Handel. Das Video erklärt, dass in einem Aufwärtstrend bei der Konsolidierung des Vermögenswerts Muster entstehen, die Händler beobachten können, um zukünftige Bewegungen vorherzusagen. Zu diesen Mustern gehören Flaggenmuster, Anhängermuster und aufsteigende Dreiecke. In ähnlicher Weise sind in einem Abwärtstrend Muster wie die Bärenflagge oder absteigende Dreiecke zu erkennen, und Händler können davon ausgehen, dass sich der Vermögenswert nach der Bestätigung des Musters weiterhin in die gleiche Richtung bewegt. Das Video zeigt auch, wie sich ein Kopf-Schulter-Muster bildet, das eine Umkehr eines Aufwärtstrends anzeigt, der in einen Abwärtstrend umschlagen kann. Insgesamt müssen Händler das Preisverhalten untersuchen, um zu verstehen, welches Muster sich bildet, und um zukünftige Bewegungen vorherzusagen.
  
  
• 00:25:00 Der Kursleiter erklärt die Bedeutung der Halslinie im Kopf-Schulter-Muster, die auf eine Schwäche im Aufwärtstrend hinweist. Um dieses Muster zu handeln, muss man warten, bis der Preis unter der Halslinie liegt, und dann eine Short-Position mit einem Stop-Loss über der rechten Schulter und einem Gewinnziel bei der Kopflänge einnehmen. Der manuelle Handel mit diesem Muster ist jedoch schwierig, weshalb der Kurs Python verwendet, um in weniger als einer Minute programmgesteuert nach dem Muster in Daten aus 30 Jahren zu suchen.
  
  
• 00:30:00 Das Video erläutert, wie man mit einem Jupyter-Notebook nach Kopf-Schulter-Mustern im Handel sucht. Das Notebook bietet Code zum Erkennen und Scannen des Musters sowie Informationen zur Festlegung von Ein- und Ausstiegspunkten für ein Kopf-Schulter-Muster. Der Kurs behandelt auch das Backtesting dieser Strategie zur Ermittlung von Risikoparametern. In dem Abschnitt werden auch private Punkte besprochen, bei denen es sich um wichtige Ebenen handelt, die zur Bestimmung der Richtungsbewegung und zur Definition von Unterstützung und Widerstand verwendet werden. Mithilfe von Phasendaten können private Punkte generiert werden, um die Richtung der Aktienbewegung sowie potenzielle Unterstützungs- und Widerstandsniveaus vorherzusagen.
  
  
• 00:35:00 Das Video diskutiert Pivot-Punkte und wie sie für den Handel mit Preisaktionen genutzt werden können. Pivot-Punkte werden zur Berechnung möglicher Unterstützungs- und Widerstandsniveaus verwendet und sind Frühindikatoren, die Händlern dabei helfen können, diese Niveaus im Voraus zu identifizieren. Es gibt verschiedene Arten von Pivotpunkten, darunter traditionelle Pivots, Camarilla-Pivots und Fibonacci-Pivots, jeweils mit unterschiedlichen Formeln zur Berechnung der Unterstützungs- und Widerstandsniveaus. Pivot-Punkte sind sowohl für Swingtrader als auch für Intraday-Trader ein nützliches Werkzeug und können Händlern dabei helfen, ihre Ausstiege zu planen, Verluste zu stoppen und Gewinne mitzunehmen.
  
  
• 00:40:00 Das Konzept der Fibonacci-Reihe und ihre Verhältnisse im Price Action Trading werden diskutiert. Die Fibonacci-Reihe findet ihre Verbreitung in der Natur und in natürlichen Mustern wie der Bildung der Anzahl der Blütenblätter bei Pflanzen. Händler nutzen Fibonacci-Verhältnisse wie 23,6 %, 38,2 %, 50 %, 61,8 % und 100 %, um das Preisverhalten zu verstehen und am Trend teilzunehmen. In einem Aufwärtstrend nutzen Händler Retracement-Levels von 38,2 %, 50 % und 61,2 %, um während eines Pullbacks einen Trade einzugehen, anstatt zu einem höheren Preis zu kaufen und ihre Verluste zu minimieren. Außerdem werden Beispiele dafür erläutert, wie diese Verhältnisse berechnet und zum Eingehen von Long-Positionen verwendet werden.
  
  
• 00:45:00 Der Referent erklärt, wie der Kurs verschiedene Handelsstrategien abdeckt, wie z. B. die Verwendung von Fibonacci-Retracement und Trade-Level-Analysen zur Analyse von Trades und zur Untersuchung des Prozentsatzes von Gewinnern, Verlierern und des Gewinnfaktors. Der Kurs behandelt im Detail den Code und die Bedingungen, die erforderlich sind, um mit einem Retracement zu rechnen und die Niveaus zu berechnen, bei denen man eine Long-Position einnehmen kann. Die Backtest-Strategien werden sowohl in Video- als auch in Codeform erklärt. Der Redner beantwortet auch die Frage, ob Kamera- oder Technologieebenen am besten für den Intraday-Handel geeignet sind, und schließt das Webinar mit einem Dank an das Publikum und den Moderator ab.

[MetaQuotes]

Wie man mit Handelsoptionen Geld verliert | Algo-Trading-Konferenz

Wie man mit Handelsoptionen Geld verliert | Algo-Trading-Konferenz

Während der Algo Trading Conference hielt Dr. Euan Sinclair einen umfassenden Vortrag über häufige Fehler von Optionshändlern und gab wertvolle Einblicke in erfolgreiche Optionshandelsstrategien. Er betonte, dass Händler einen Marktvorteil haben müssen, um dauerhaft Gewinne zu erzielen. Sinclair betonte, wie wichtig es ist, Vermögenswerte zu niedrigeren Preisen zu kaufen und sie zu höheren Preisen zu verkaufen, wies jedoch darauf hin, dass viele Optionshändler mit diesem Konzept zu kämpfen haben und oft zu viel für Optionen bezahlen.

Sinclair gab offen zu, dass auch er in seiner Trading-Karriere Fehler gemacht hat, forderte seine Trader aber auf, aktiv an der Korrektur dieser Fehler zu arbeiten. Während einige seiner Ratschläge auf Händler mit Erfahrung im Optionsbereich zugeschnitten waren, betonte er, dass viele der von ihm besprochenen Fehler für Händler aller Fachkenntnisse relevant seien.

Der Redner betonte deutlich, wie wichtig es ist, im Optionshandel unabhängig von der Struktur des Handels einen Vorsprung zu haben. Er warnte davor, Optionsstrukturen zu entwerfen, die die Illusion von Risikolosigkeit erwecken, da dies Händler oft blind für die zugrunde liegenden Risiken macht. Sinclair behauptete, dass ein Vorsprung der wichtigste Aspekt des Handels sei und dieser nicht allein durch Disziplin, Risikokontrolle, harte Arbeit oder Intelligenz erreicht werden könne. Händler müssen dem Markt einen wertvollen Service bieten und aktiv etwas bereitstellen, das einen Bedarf erfüllt.

Sinclair befasste sich intensiv mit der Komplexität des Optionshandels, insbesondere mit der Notwendigkeit, die Volatilität genau vorherzusagen und zu berücksichtigen. Er betonte, dass sich Händler nicht allein auf die Vorhersage der Marktrichtung verlassen können; Sie müssen auch den Preis der Option und mögliche Änderungen der Volatilität berücksichtigen. Selbst wenn die Marktprognose eines Händlers richtig ist, kann er dennoch Geld verlieren, wenn er den falschen Preis für die Option zahlt oder Volatilitätsänderungen nicht richtig berücksichtigt. Daher müssen Optionshändler in erster Linie Volatilitätshändler sein und die Volatilität während ihrer gesamten Geschäfte kontinuierlich modellieren und analysieren.

Der Redner ging auf das Missverständnis beim Kauf von Put- und Call-Optionen ein. Während der Kauf einer Put-Option von einer erhöhten Volatilität profitieren kann, wenn der Markt sinkt, ist der Preis der Option in der Regel bereits angepasst, um dies widerzuspiegeln. Andererseits sind Call-Optionen während des Handels tendenziell überteuert. Sinclair diskutierte auch die Vorstellung von Black Swan-Ereignissen, bei denen es sich um höchst unvorhersehbare Ereignisse handelt. Auch wenn es logisch erscheinen mag, sich durch den Kauf von Optionen, die nicht im Geld sind, vor Black Swans zu schützen, erweist sich diese Strategie oft als kostspieliger Fehler. Sinclair hob das Beispiel von Low-Volatility-Fonds hervor, die beträchtliche Geldbeträge verloren haben, und warnte davor, sich bei Handelsinformationen ausschließlich auf soziale Medien zu verlassen, da diese oft ein verzerrtes Bild der Gewinner vermitteln.

Der Redner ging auch auf das Problem ein, dass Long-Volatility-Fonds aufgrund falscher systematischer Wetten häufig Geld verlieren. Auch wenn diese Fonds bei Marktturbulenzen Aufmerksamkeit erregen, erleiden sie auf lange Sicht oft Verluste. Sinclair betonte weiter, dass Optionen in der Regel überbewertet seien, was darauf hindeutet, dass der Verkauf von Optionen dazu beitragen kann, die asymmetrischen Risiken auszugleichen. Es ist jedoch von entscheidender Bedeutung zu beurteilen, ob die Volatilität im spezifischen Handelskontext falsch bewertet wird, um festzustellen, ob der Verkauf von Optionen einen realisierbaren Vorteil bietet.

Sinclair erörterte mehrere häufige Fehler, die Optionshändler machen, etwa die Annahme, dass der Handel mit Theta (dem Verfall des Optionswerts im Laufe der Zeit) einen Vorteil verschafft, und die falsche Vorstellung, dass der Verkauf von weit aus dem Geld liegenden Optionen immer profitabel sei. Er warnte davor, dass Händler durch den Verkauf dieser Optionen zwar meist Prämien einstreichen, die potenziellen Risiken jedoch die Chancen überwiegen. Er empfahl eine gründliche Analyse von Trades, um sowohl erfolgreiche als auch fehlgeschlagene Ergebnisse zu verstehen, und betonte den Wert einer aktiven Untersuchung der Ergebnisse, anstatt sich ausschließlich auf automatisierte Skripte zu verlassen. Darüber hinaus schlug er vor, Straddles statt Strangles zu verkaufen, um ein besseres Feedback und bessere Handelsentscheidungen zu erzielen.

Der Redner betonte, wie wichtig es sei, die eigene Position kontinuierlich neu zu bewerten und alle verfügbaren Informationen zu berücksichtigen, um die gewünschte Position zu bestimmen. Während die Handelskosten berücksichtigt werden sollten, riet Sinclair den Händlern, sich mehr auf die Kostensenkung zu konzentrieren, anstatt bei jedem Handel nach Perfektion zu streben. Durch die Minimierung der Kosten kann die Sharpe-Ratio verbessert werden, die rechnerisch keine Varianz aufweist. Während es wichtig ist, eine Überschreitung der Geld-Brief-Spanne zu vermeiden, betonte der Redner die Notwendigkeit, sich nicht darauf zu beschränken, nur zum Angebot zu verkaufen oder nur zum Geldkauf zu kaufen. Stattdessen sollte man die Rolle des Verkaufs zum Gebot und des Kaufs zum Angebot übernehmen und eine Strategie entwickeln, die alle damit verbundenen Kosten berücksichtigt. Der Redner plädierte dafür, mehr Trades mit einem niedrigeren erwarteten Wert durchzuführen, und räumte ein, dass viele kleine positive Ergebnisse vorteilhafter sein können, als sich auf einen einzigen großen Gewinn zu verlassen.

Das Konzept der Adverse Selection war ein weiteres Thema des Redners. Er warnte davor, dass, selbst wenn ein Handel vielversprechend erscheint, jemand mit mehr Wissen und Einsicht vorbeikommen und das Angebot des Händlers ausnutzen könnte, was zu ungünstigen Ergebnissen führen könnte. Als umsichtige Ansätze zur Minderung des Risikos, mit der Zeit Geld zu verlieren, wurden realistische Erwartungen, die Vermeidung von übermäßigem Handel oder großen Positionen und die Konzentration auf kleinere nachhaltige Edges hervorgehoben. Der Redner betonte den Wert der Anhäufung mehrerer kleiner Vorteile, die zu einem diversifizierten Interessenportfolio kombiniert werden können, anstatt sich auf einen einzigen großen Gewinn zu verlassen, der schnell wieder verschwinden kann.

Dr. Sinclair teilte seine Schlussfolgerung mit, dass der Einstieg als Algo- oder Optionshändler nicht der ideale Ansatz zur Erzielung einer dauerhaften Rentabilität sei. Er betonte, wie wichtig es sei, ein Problem oder eine Nische zu identifizieren, die den Handel mit Optionen betrifft, anstatt mit den Tools selbst zu beginnen. Wenn das Ziel darin besteht, basierend auf der Marktrichtung zu handeln, reicht der Optionshandel allein nicht aus, da er auch eine konsistente Genauigkeit bei der Vorhersage der Volatilität erfordert. Er warnte vor der Vorstellung, dass der Kauf von Optionen konstante Gewinne garantieren könne, und betonte, dass die genaue Vorhersage der Volatilität der Schlüssel zum Erfolg jeder Optionshandelsstrategie sei. Abschließend hielt er Händler davon ab, sich auf die Tools zu fixieren, und ermutigte sie stattdessen, sich auf das Verständnis und die Vorhersage der Volatilität zu konzentrieren und gleichzeitig eine erfolgreiche Handelsnische zu identifizieren.

Der Redner gab Einblicke in die implizite Optionskurve und ihren Zusammenhang mit der Volatilität. Er erklärte, dass die Schiefe der impliziten Kurve in erster Linie durch die Korrelation zwischen der Volatilität und der Bewegung des zugrunde liegenden Vermögenswerts und nicht durch die Volatilität selbst verursacht wird. Der Referent wies daher darauf hin, dass der Skew bei der Betrachtung des Optionspreises weitgehend vernachlässigt werden könne. Darüber hinaus wies der Redner darauf hin, dass Market Maker in Zeiten von Marktturbulenzen, wie etwa der Krise im Jahr 2020, oft gute Leistungen erbringen, da sie dadurch mehr Geschäfte im gleichen Zeitraum ausführen können. Darüber hinaus wird der kurzfristige Kreditzinssatz, der als negativer Zinssatz fungiert, von Market Makern in die Preisgestaltung von Optionen einbezogen, da er als Analogie zu einer Dividende angesehen wird.

Der Redner ging auch auf Optionen ein, die Merkmale aufweisen, die einem Negativzins ähneln, und lieferte ein Beispiel für einen Handel, der zuvor profitabel war, aber nicht mehr gültig ist. Er empfahl, unsichere Situationen mit zeitlich begrenzten Ereignissen zu suchen, um Optionen zu verkaufen. Darüber hinaus betonte der Referent, dass die klassische Varianzprämie bei Indizes und Aktien typischerweise überbewertet sei. Auf die Frage nach der Möglichkeit, dass einzelne Händler Vorteile finden, behauptete der Redner, dass Risikoprämien immer vorhanden und zum Handel verfügbar seien, und zog damit eine Parallele zum Kauf von Aktien. Der Redner äußerte seine Skepsis hinsichtlich der Handelsvolatilität im Zusammenhang mit Ertragsereignissen und erklärte, dass es sich zwar früher um eine profitable Strategie gehandelt habe, diese jedoch nicht mehr das gleiche Rentabilitätsniveau biete.

Sinclair ging auf die sich in den letzten Jahren entwickelnde Landschaft des Optionshandels ein und räumte ein, dass der Markt für diese Strategie nicht mehr so günstig ist wie früher. Auf eine Frage zum Einsatz algorithmischer Tools zur Portfoliooptimierung antwortete er, dass solche Tools für diejenigen, die nur einmal pro Woche handeln, möglicherweise nicht notwendig seien. Bezüglich der Suche nach einem Vorteil empfahl er, mit einer klaren Beobachtung zu beginnen und auf der Grundlage dieser Beobachtung Ideen zu entwickeln. Zum Beispiel der Verkauf von Optionen, wenn die Volatilität überbewertet ist, oder der Kauf von Aktien, wenn eine Tendenz zur Aufwärtsbewegung besteht. Abschließend befasste sich der Redner mit der Frage des Aufbaus eines Portfolios mit negativ verzerrten Short-Volumen- und positiv verzerrten Long-Volumen-Strategien. Als effektivsten Ansatz schlug er vor, mit einem mentalen Top-Down-Modell zu beginnen.

Abschließend verriet der Redner, dass er vor einigen Jahren in den Ruhestand gegangen sei, seine Zeit aber weiterhin aktiv mit dem Daytrading von Optionen verbringe. Er brachte seine Absicht zum Ausdruck, sich weiterhin mit dem Handel mit Optionen zu befassen und gelegentlich Artikel zu diesem Thema zu schreiben, da er es sowohl als Beruf als auch als Hobby betrachtete. Als die Algo Trading-Konferenz zu Ende ging, bedankte sich der Redner bei Dr. Sinclair für den Austausch wertvoller Lektionen und Erfahrungen im Optionshandel. Er äußerte Vorfreude auf zukünftige Sitzungen zum Optionshandel und dankte den Organisatoren der Konferenz für die unschätzbare Gelegenheit zum Austausch von Wissen und Erkenntnissen.

Das Publikum applaudierte und würdigte die Fülle an Informationen und Fachwissen, die es durch Dr. Sinclairs Vortrag gewonnen hatte. Die Teilnehmer verließen die Konferenz mit einem neuen Verständnis für die Komplexität und Nuancen des Optionshandels sowie einem größeren Verständnis dafür, wie wichtig es ist, einen Vorsprung am Markt zu haben. Inspiriert durch Dr. Sinclairs Erkenntnisse waren sie entschlossen, ihre Handelsstrategien zu verfeinern, häufige Fallstricke zu vermeiden und kontinuierlich nach Verbesserungen zu streben.

Außerhalb des Konferenzsaals waren die Gespräche voller Spannung, während die Teilnehmer lebhaft über die wichtigsten Erkenntnisse aus der Präsentation diskutierten. Die Händler teilten ihre Überlegungen mit und versprachen, die gewonnenen Erkenntnisse umzusetzen und ihre Ansätze entsprechend anzupassen. Einige erwogen, neue Nischen im Optionshandel zu erkunden, während andere versprachen, ihr Verständnis der Volatilität und ihrer Auswirkungen auf Handelsentscheidungen zu vertiefen.

In den Tagen und Wochen nach der Konferenz wandten Händler die Ratschläge und Empfehlungen von Dr. Sinclair eifrig auf ihre eigenen Handelsbemühungen an. Sie bewerteten ihre Positionen sorgfältig, berücksichtigten die verfügbaren Informationen und trafen fundierte Entscheidungen, anstatt an früheren Positionen festzuhalten. Händler konzentrierten sich auf die Kostensenkung und erkannten, dass eine Minimierung der Kosten ihre Handelsleistung erheblich steigern könnte. Sie nahmen sich Dr. Sinclairs Worte zu Herzen, analysierten aktiv ihre Trades und suchten nach Möglichkeiten, ihre Strategien zu verfeinern und die Ergebnisse zu verbessern.

Die Erkenntnisse von Dr. Sinclair fanden weit über die Konferenzteilnehmer hinaus Anklang. Händler auf der ganzen Welt, sowohl Anfänger als auch erfahrene, suchten eifrig nach Aufzeichnungen und Transkripten seiner Präsentation. Seine wertvollen Erkenntnisse verbreiteten sich in Online-Foren, Handelsgemeinschaften und Social-Media-Plattformen und lösten Diskussionen und Debatten über die Feinheiten des Optionshandels aus. Als Händler seine Weisheit annahmen, gewannen sie eine neue Perspektive auf ihre Handelsansätze, ausgestattet mit einem tieferen Verständnis von Volatilität, Risikomanagement und dem Streben nach einem Vorteil.

Dr. Sinclairs Beitrag zur Welt des Optionshandels zeigte noch lange nach der Konferenz Wirkung. Seine Schriften und Forschungsarbeiten wurden zu wichtigen Referenzen für angehende Händler und erfahrene Profis gleichermaßen. Durch sein Engagement für den Wissens- und Erfahrungsaustausch inspirierte er eine neue Generation von Optionshändlern, sich dem Markt mit Disziplin, einer kritischen Denkweise und einem unerschütterlichen Engagement für die Verbesserung ihrer Fähigkeiten zu nähern.

Im Laufe der Zeit wuchs Dr. Sinclairs Vermächtnis und festigte seine Position als prominente Persönlichkeit in der Optionshandelsgemeinschaft. Händler blickten auf seine weisen Worte zurück und erkannten den tiefgreifenden Einfluss, den er auf ihre Handelsreisen hatte. Die von Dr. Sinclair vermittelten Lehren dienten als Leitprinzipien, die Händler von häufigen Fehlern weg und auf den Weg einer konsistenten Rentabilität führten.

In den Annalen der Geschichte des Optionshandels stand Dr. Euan Sinclairs Name als Beweis für Fachwissen, Weisheit und ein unermüdliches Streben nach Exzellenz. Seine Beiträge auf diesem Gebiet und sein unerschütterlicher Einsatz, anderen zum Erfolg zu verhelfen, wurden zu einem bleibenden Vermächtnis, das die Zukunft des Optionshandels auch für kommende Generationen prägen wird.

• 00:00:00 Dr. Euan Sinclair spricht über häufige Fehler, die Optionshändler machen, und konzentriert sich dabei auf die Idee, dass Händler einen Marktvorteil haben sollten, um dauerhaft Geld zu verdienen. Er betont, dass Händler Dinge billig kaufen und teuer verkaufen sollten, aber viele Optionshändler sind darüber verwirrt und machen Fehler, wie zum Beispiel zu viel für Optionen zu bezahlen. Sinclair gibt zu, dass er vor diesen Fehlern nicht gefeit ist, fordert die Händler jedoch dringend auf, an deren Korrektur zu arbeiten. Er weist außerdem darauf hin, dass sich einige seiner Ratschläge zwar an Personen richten, die sich mit Optionen auskennen, viele der von ihm diskutierten Fehler jedoch allgemeiner Natur sind und auf Händler aller Ebenen anwendbar sind.
  
  
• 00:05:00 Der Redner betont, wie wichtig es ist, unabhängig von der Struktur des Handels einen Vorsprung beim Handel mit Optionen zu haben. Der Redner warnt davor, eine Optionsstruktur zu entwerfen, bei der man glaubt, kein Geld verlieren zu können, da dies die Risiken so weit treibt, dass man sie nicht mehr sehen kann. Das Wichtigste beim Trading ist nicht Disziplin oder Risikokontrolle, sondern einen Vorsprung zu haben. Ein harter Arbeiter oder ein kluger Mensch zu sein gilt nicht als Vorteil, und es ist nicht möglich, einen Vorteil durch Fundamentalanalyse oder technische Analyse zu finden. Um auf dem Markt Geld zu verdienen, muss man etwas tun, das der Welt einen Dienst bietet, und aktiv etwas auf dem Markt anbieten.
  
  
• 00:10:00 Der Redner spricht über die Komplexität von Handelsoptionen und die Bedeutung der richtigen Vorhersage und Berücksichtigung der Volatilität. Händler können sich nicht nur darauf verlassen, die Marktrichtung vorherzusagen, sie müssen auch den Preis der Option und die möglichen Änderungen der Volatilität berücksichtigen. Selbst wenn ein Händler von seiner Prognose überzeugt ist, kann er dennoch Geld verlieren, wenn er den falschen Preis für die Option zahlt oder Änderungen der Volatilität nicht richtig berücksichtigt. Optionshändler müssen in erster Linie Volatilitätshändler sein, da die Volatilität vorhersehbar ist, aber während eines Handels kontinuierlich modelliert werden muss.
  
  
• 00:15:00 Der Redner bespricht das Missverständnis rund um den Kauf eines Puts und eines Calls. Der Kauf eines Puts kann zwar von der durch den Marktrückgang verursachten erhöhten Volatilität profitieren, der Preis ist jedoch bereits entsprechend, während der Call während des Handels tendenziell überbewertet ist. Der Redner spricht auch über den Schwarzen Schwan, der sich auf Ereignisse bezieht, die noch nie zuvor stattgefunden haben und im wahrsten Sinne des Wortes unvorhersehbar sind. Es ist zwar eine berechtigte Annahme, dass diese Veranstaltungen unterbewertet sind, die Befürworter des Black Swan liefern jedoch keine Statistiken, die dies untermauern, und der Kauf von Optionen, die nicht im Geld sind, um sich vor Black Swans zu schützen, ist oft ein kostspieliger Fehler. Darüber hinaus weist der Redner darauf hin, dass Low-Volatility-Fonds ihr gesamtes Geld verloren haben, und weist auf das Problem hin, dass in den sozialen Medien nur Gewinner zu sehen sind.
  
  
• 00:20:00 Der Redner erörtert, wie lange Volatilitätsfonds dazu neigen, Geld zu verlieren, weil sie auf falsche systematische Wetten setzen. Die Medien neigen dazu, diesen Geldern bei dramatischen Ereignissen große Aufmerksamkeit zu schenken, weil sie großartige Geschichten erzählen, auch wenn sie am Ende oft Geld verlieren. Der Redner geht auch darauf ein, dass Optionen in der Regel überteuert sind und deshalb verkauft werden sollten, um das asymmetrische Risiko auszugleichen. Es ist jedoch wichtig zu wissen, ob die Volatilität im konkreten Fall falsch bewertet ist, da sonst der Verkauf von Optionen keinen Vorteil bringt.
  
  
• 00:25:00 Der Redner diskutiert die häufigsten Fehler, die Optionshändler machen, einschließlich der Überzeugung, dass der Handel mit Theta einen Vorteil darstellt und dass der Verkauf von Optionen weit außerhalb des Geldes immer profitabel ist. Das Problem beim Verkauf dieser Optionen besteht darin, dass die Händler zwar meist Prämien kassieren, ihre Erträge jedoch im Vergleich zu den potenziellen Risiken minimal sind. Der Redner empfiehlt Händlern, ihre Trades zu analysieren, um zu verstehen, warum sie funktionieren und warum sie scheitern, und betont, dass eine aktive Untersuchung der Ergebnisse effektiver ist, als den Prozess einfach mithilfe von Skripten zu automatisieren. Abschließend schlägt er vor, dass Händler Straddles anstelle von Strangles verkaufen, um besseres Feedback zu erhalten und bessere Trades zu tätigen.
  
  
• 00:30:00 Der Redner betont, wie wichtig es ist, stets die eigene Position einzuschätzen und zu überlegen, welche Position man angesichts aller verfügbaren Informationen anstreben würde, anstatt an einer vorherigen Position festzuhalten. Während die Handelskosten berücksichtigt werden sollten, schlägt der Redner vor, dass sich die meisten Händler mehr auf die Kostensenkung als auf die Verbesserung jedes Handels konzentrieren sollten, da die Beseitigung der Kosten die Sharp Ratio erhöht, die mathematisch gesehen keine Varianz aufweist. Obwohl es wichtig ist, eine Überschreitung der Geld-Brief-Spanne zu vermeiden, ist es auch wichtig, sich nicht darauf zu beschränken, nur zum Angebot zu verkaufen oder nur zum Geldkurs zu kaufen. Man sollte davon ausgehen, dass sie das Gebot verkaufen und das Angebot kaufen, eine Strategie entwickeln, die alle damit verbundenen Kosten berücksichtigt, und erwägen, mehr Geschäfte mit einem niedrigeren erwarteten Wert abzuschließen.
  
  
• 00:35:00 Der Redner erörtert das Problem der negativen Selektion, bei der, selbst wenn ein Trade gut erscheint, jemand vorbeikommen könnte, der mehr weiß als Sie, und Ihr Angebot anhebt, was zu einem schlechten Trade führt. Es ist wichtig, realistische Erwartungen zu haben und nicht zu viel oder zu viel zu handeln, was letztendlich dazu führen kann, dass Sie Geld verlieren. Es ist besser, kleine Vorteile zu haben, die sich zu einem Interessenportfolio zusammenfassen lassen, als große, die nicht nachhaltig sind und schnell verschwinden können. Der Redner betont die Notwendigkeit, an den Details zu arbeiten und viele kleine Dinge zu finden, die Ihren Wünschen entsprechen, und nicht nur ein großes.
  
  
• 00:40:00 Dr. Sinclair erläutert seine Schlussfolgerung, dass der Einstieg als Algotrader oder Optionshändler der falsche Weg ist, um Geld zu verdienen. Er betont, dass der Fokus darauf liegen sollte, ein Problem oder einen Juckreiz zu finden, der den Handel mit Optionen betrifft, und nicht mit dem Tool zu beginnen. Wenn das Ziel darin besteht, direktional zu handeln, dann ist der Handel mit Optionen nicht der richtige Weg, da der Richtungshandel mit Optionen auch eine stets richtige Volatilität erfordert. Er warnt vor der Annahme, dass der Kauf von Optionen zu konstanten Gewinnen führen kann, und betont, dass die Vorhersage der Volatilität der Schlüssel zu jeder erfolgreichen Optionshandelsstrategie ist. Abschließend rät er davon ab, mit dem Tool zu beginnen, und empfiehlt stattdessen, sich auf das Problem zu konzentrieren, Volatilität vorherzusagen und eine erfolgreiche Nische zu finden.
  
  
• 00:45:00 Der Sprecher erklärt, dass die Schiefe in der impliziten Kurve von Optionen fast immer durch die Korrelation zwischen Volatilität und der zugrunde liegenden Bewegung und nicht durch die Volatilität selbst verursacht wird. Daher kann der Skew beim Preis der Option weitgehend vernachlässigt werden. Der Redner stellt außerdem fest, dass Market Maker in Zeiten von Marktturbulenzen, wie etwa der Krise von 2020, in der Regel gut abschneiden, da sie dadurch mehr Geschäfte in der gleichen Zeit tätigen können. Der kurzfristige Kreditzinssatz, der als Negativzins wirkt, wird von Market Makern auch im Preis von Optionen eingepreist, da er als Dividendenähnlich angesehen wird.
  
  
• 00:50:00 Der Redner diskutiert das Konzept von Optionen, die wie ein negativer Zinssatz wirken, und liefert ein Beispiel für einen Handel, der früher funktionierte, aber nicht mehr funktioniert. Er schlägt vor, nach Situationen der Unsicherheit mit einem zeitlich festgelegten Ereignis zu suchen, um Optionen zu verkaufen, und erwähnt, dass die klassische Varianzprämie bei Indizes und Aktien fast immer überbewertet ist. Auf die Frage, ob ein einzelner Händler Vorteile finden kann, antwortet er, dass beim Handel immer Risikoprämien vorhanden seien, und stellt eine Analogie zum Aktienkauf her. Darüber hinaus weist er darauf hin, dass spezialisierte Optionsfirmen nicht auf KI vertrauen. Abschließend geht er auf seine Skepsis gegenüber der Handelsvolatilität im Zusammenhang mit Ertragsereignissen ein, die früher profitabel waren, heute aber nicht mehr.
  
  
• 00:55:00 Der Referent erläutert, wie sich der Optionshandel in den letzten Jahren verändert hat und erwähnt, dass der Markt für die Strategie nicht mehr so günstig ist wie früher. Er antwortet auch auf eine Frage zum Einsatz von Algo-Tools zur Portfoliooptimierung und erklärt, dass sie für jemanden, der nur einmal pro Woche handelt, nicht unbedingt benötigt werden. Um einen Vorteil zu finden, empfiehlt er, mit einer klaren Beobachtung zu beginnen und darauf basierende Ideen zu entwickeln, wie etwa den Verkauf von Optionen, wenn die Volatilität überbewertet ist, oder den Kauf von Aktien, wenn diese tendenziell steigen. Abschließend geht er auf die Frage ein, wie man ein Portfolio aus negativ verzerrten Short-Volumen- und positiv verzerrten Long-Volumen-Strategien aufbauen kann, und schlägt vor, dass der beste Ansatz darin besteht, mit einem mentalen Top-Down-Modell zu beginnen.
  
  
• 01:00:00 Der Redner diskutiert den Aufbau eines Portfolios mit Standard-Portfoliooptimierungstools für den Optionshandel. Das Problem dabei ist, dass Diversifikationsfaktoren im Optionshandel aufgrund der hohen Korrelation zwischen Optionsstrategien nicht viel bringen und die Tools den Händlern möglicherweise sagen, dass sie ihr ganzes Geld in eine Sache stecken sollen, sodass Overlays notwendig sind. Der Redner empfiehlt mehrere Strategien mit Nullalter, um sich gegen Short-Ball-Strategien abzusichern, und berät Händler, wie sie mit dem Optionshandel beginnen können, indem sie Bücher lesen, auf ssrn.com nach wissenschaftlichen Arbeiten zu Volatilität und Optionen suchen und Google Scholar durchsuchen für spezifische Informationen. Der Redner empfiehlt außerdem mehrere Bücher, darunter „Option Trading“, „Trading Volatility“ und „The Laws of Trading“.
  
  
• 01:05:00 Der Redner teilt mit, dass er vor einigen Jahren in den Ruhestand gegangen ist, seine Zeit aber mit dem Handel mit Optionen verbringt. Er wird weiterhin mit Optionen handeln und gelegentlich Artikel zu diesem Thema schreiben, sei es beruflich oder als Hobby. Die Algo Trading-Konferenz ist nun zu Ende und der Redner dankt Dr. Sinclair für den Austausch wertvoller Lektionen und Erfahrungen im Optionshandel. Der Redner freut sich auf zukünftige Sitzungen zum Optionshandel und dankt der Konferenz für die Gelegenheit.

[MetaQuotes]

Was ist korrigierende KI und wie kann sie Ihre Anlageentscheidungen verbessern?

Was ist korrigierende KI und wie kann sie Ihre Anlageentscheidungen verbessern?

Dr. Ernest Chan stellt das Konzept der korrigierenden KI vor, die menschliche oder quantitative Entscheidungen korrigiert und verbessert und auf die Vermögensverwaltung und den Handel angewendet werden kann. Korrigierende KI überwindet Probleme wie Überanpassung, Reflexivität und Regimewechsel und nutzt Big Data, um Allokationen durch Maximierung der Allokation auf Portfoliokomponenten zu optimieren. Diese als Conditional Portfolio Optimization (CPO) bezeichnete Technik nutzt die Kelly-Formel weiterentwickelt und hat zu einer deutlichen Verbesserung der Sharpe-Ratio geführt. Korrigierende KI kann auch während Bärenmärkten in eine defensive Position wechseln und für andere Kennzahlen optimieren. Der Redner betont die Bedeutung des Risikomanagements und der Vermeidung von Handelsverlusten und rät vom Einsatz von KI zur Generierung von Handelssignalen ab. Dr. Chan schlägt vor, sich mit einem Pitch Deck an Hedgefonds zu wenden, um Mittel für neue Fintech-Startups zu beschaffen, und rät angehenden quantitativen Händlern, sich zu informieren, Kurse zu belegen, Backtests durchzuführen und live zu handeln, um einen Einblick in den Markt zu gewinnen.

Dr. Ernest Chan, ein renommierter Experte für quantitativen Handel, hielt einen fesselnden Vortrag über das Konzept der korrigierenden KI und ihre Anwendung zur Verbesserung menschlicher und quantitativer Entscheidungsfindung. Er betonte, dass KI Entscheidungen effektiver korrigieren kann, als sie von Grund auf neu zu treffen, was sie zu einem wertvollen Werkzeug in der Vermögensverwaltung und im Handel macht. Dr. Chan warnte davor, KI direkt für Handels- oder Anlageentscheidungen zu nutzen, und plädierte stattdessen für deren Einsatz zur Korrektur von Entscheidungen anderer Systeme oder Algorithmen.

Während seines Vortrags befasste sich Dr. Chan mit dem Finanz-KI-Winter, einem Zeitraum von 2000 bis 2018, der durch begrenzte Fortschritte bei KI- und maschinellen Lernanwendungen (ML) im Handel gekennzeichnet war. Er erörterte die Gründe für das Scheitern vieler auf maschinellem Lernen basierender Hedgefonds, wie etwa Überanpassung, Reflexivität und Regimewechsel. Er führte jedoch eine bahnbrechende Technik namens korrigierende KI ein, die diese Herausforderungen meisterte. Durch das Lernen aus privaten Handelsstrategien oder Portfoliorenditen prognostizierte die korrigierende KI deren zukünftige Renditen und machte sie zu einem unschätzbar wertvollen und praktischen Werkzeug für Händler und Vermögensverwalter. Insbesondere die Widerstandsfähigkeit der korrigierenden KI gegenüber Arbitrage machte sie zuverlässiger als herkömmliche KI-Ansätze im Handelsbereich.

Der Redner betonte die Bedeutung von Big Data für die Vorhersage von Handelsstrategien mithilfe von KI. Verschiedene Prädiktoren, darunter Ölfilter, Volatilität am Anleihenmarkt, makroökonomische Indikatoren und die Stimmung bei stark gehandelten Aktien, wurden analysiert, um genaue Vorhersagen zu treffen. Der Redner räumte jedoch ein, dass es für Einzelpersonen schwierig sei, so große Datenmengen zu sammeln, da dafür Tausende von Eingaben erforderlich seien. Um dieser Herausforderung zu begegnen, hatte das Unternehmen des Redners Hunderte von Prädiktoren speziell für die Nutzung durch einzelne Händler entwickelt. Darüber hinaus führte er das Konzept ein, die Gewinnwahrscheinlichkeit zur Größenbestimmung von Wetten und zur Kapitalallokation zu nutzen, eine Abkehr vom traditionellen Risikomanagement, das ausschließlich auf Renditen basiert. Das KI-System definierte implizit das Handelsregime auf der Grundlage der von ihm überwachten Merkmale und ermöglichte so eine adaptive Risikobewertung von Anlagestrategien.

Der Redner vertiefte sich in den Begriff der Regime und unterschied zwischen expliziten und versteckten Regimen. Während explizite Regime wie bullische und bärische Märkte im Nachhinein leicht zu identifizieren, aber schwer genau vorherzusagen waren, waren versteckte Regime, wie das Verhalten von Robinhood-Händlern beim Kauf von Call-Optionen, schwer zu identifizieren, aber durch die Analyse verräterischer Anzeichen vorhersehbar. Die erweiterte Dimensionalität der Eingaben durch maschinelles Lernen verbesserte die Vorhersage verborgener Regime erheblich.

Dr. Chan führte eine fortschrittliche Technik namens bedingte Portfoliooptimierung ein, die traditionelle Portfoliooptimierungsmethoden wie Risikoparität, minimale Varianz und Markowitz-Mittelwertvarianz übertrifft. Durch die Maximierung der Allokation auf Portfoliokomponenten durch Big-Data-Injection erzielte die korrigierende KI beeindruckende Ergebnisse. Diese Technik nutzte Big Data, um Zusammenhänge zu identifizieren, Regimewechsel zu berücksichtigen und die Auswirkungen von Faktoren wie Inflation, Zinssätzen und Rohstoffpreisen zu analysieren.

Der Redner betonte, dass KI in der Lage sei, Informationen zu erfassen, die mit herkömmlichen Portfoliooptimierungstechniken nicht möglich seien. Durch die Berücksichtigung großer Datenmengen und externer Faktoren, nicht nur früherer Renditen, zeigte die Technik namens Conditional Portfolio Optimization (CPO) erhebliche Verbesserungen der Sharpe Ratio über verschiedene Portfolios hinweg. Im Falle eines S&P 500-Portfolios zeigte sich sogar eine bis zu dreifache Verbesserung. CPO ermöglichte außerdem eine defensive Positionierung in Bärenmärkten und konnte für andere Kennzahlen, einschließlich ESG-Ratings, optimiert werden. Die Technik wurde von renommierten Forschern für maschinelles Lernen geprüft und wird derzeit von großen Finanzdienstleistungsunternehmen weltweit getestet. Der Redner würdigte die gemeinsamen Anstrengungen ihrer Teams aus Forschung, Datenwissenschaft, quantitativer Analyse und Technik, die zu diesem Erfolg geführt haben.

Dr. Chan riet davon ab, KI ausschließlich zur Generierung von Handelssignalen zu verwenden, und empfahl stattdessen ihren Einsatz als „Korrektur-KI“, um die Gewinnwahrscheinlichkeit in der aktuellen Handelsstrategie zu berechnen. Er betonte die entscheidende Rolle des Risikomanagements und die Wichtigkeit, Handelsverluste zu vermeiden. Auf die Frage nach dem Einsatz von maschinellem Lernen zum Verständnis des makroökonomischen Umfelds antwortete er, dass die spezifische Art des verwendeten maschinellen Lernens nicht entscheidend sei und der Hauptfaktor in seiner Fähigkeit liege, Investitionsentscheidungen zu verbessern.

In der Diskussion betonte der Redner die Bedeutung der Sammlung einer großen Anzahl von Eingaben für Big Data, um die Rendite verschiedener Portfolio-Kapitalallokationen effektiv vorherzusagen. Durch die Vorhersage von Renditen auf Portfolioebene mithilfe von Big Data und Portfoliozusammensetzung war Corrective AI in der Lage, das beste Portfolio für jedes System zu identifizieren. Als Antwort auf eine Frage zur Stimmungsanalyse als Teil von ML-Eingaben bestätigte der Redner, dass jeder Datenstrom hinzugefügt werden könne, um zusätzliche Funktionen bereitzustellen, die dann in die Eingabefunktionen integriert werden könnten. Darüber hinaus wurde die Wahl des maschinellen Lernalgorithmus im Vergleich zur Qualität und Relevanz der Eingaben selbst als weniger wichtig erachtet. Darüber hinaus behauptete der Redner, dass die Korrektur-KI in der Lage sei, Black-Swan-Ereignisse vorherzusagen, und dass ihre Indikatoren erfolgreich zur Vorhersage von Marktcrashs eingesetzt worden seien.

Die Vorteile des Einsatzes von KI zur Vorhersage von Tail-Events bei Investitionsentscheidungen wurden diskutiert und Empfehlungen für Datenanbieter basierend auf der Häufigkeit von Handelsstrategien gegeben. Der Redner ging auch auf Fragen im Zusammenhang mit Daten, Techniken des maschinellen Lernens für Finanzdaten und dem möglichen Einsatz von Reinforcement Learning für den Handel ein. Der Redner betonte zwar, dass Risikomanagement und Portfoliooptimierung die wertvollsten Anwendungsfälle für KI und maschinelles Lernen im Handel seien, gab jedoch zu, dass er kein Experte für Reinforcement Learning sei und keine Erfahrung aus erster Hand mit der Wirksamkeit habe.

Der Redner erläuterte das Konzept von AutoML, das die Automatisierung der Parameteroptimierung in der KI zur Steigerung der Effizienz beinhaltet. Darüber hinaus erörterte der Redner, wie versteckte Regime im Finanzwesen nicht explizit identifiziert, sondern implizit mithilfe von KI vorhergesagt werden könnten, um die Renditevorhersage zu unterstützen. Bezüglich des Hinzufügens von Funktionen zu einem Modell empfahl der Redner, möglichst viele Daten aus verschiedenen Quellen zu sammeln. Abschließend beschrieb der Referent seinen Ansatz als in einem überwachten Lernkontext befindlich, wobei die Zielvariable typischerweise zukünftige Renditen oder die zukünftige Sharpe-Ratio einer Strategie seien.

Dr. Ernest Chan gab einer Person wertvolle Ratschläge, die in den letzten sechs Monaten algorithmische Handelsmodelle getestet hatte, sich aber nicht sicher war, ob sie Gelder beschaffen und Risikokapitalgeber für ihr neues Fintech-Startup gewinnen sollte. Er schlug vor, sich mit einem Pitch-Deck an verschiedene Hedgefonds zu wenden, das eine Erfolgsbilanz enthalten sollte. Er warnte jedoch davor, dass Risikokapitalgeber in der Regel nur begrenztes Interesse an algorithmischen Handelsmodellen zeigten. Darüber hinaus riet Dr. Chan angehenden quantitativen Händlern, sich in umfangreiche Lektüre zu vertiefen, Kurse im quantitativen Bereich zu belegen und sich an Backtesting und Live-Handel zu beteiligen, um einen Einblick in den Markt zu gewinnen. Er betonte, dass der Übergang vom Sesselhändler zum echten Händler am besten durch Live-Handelserfahrung erreicht werden könne.

In der Präsentation von Dr. Ernest Chan ging es um das Konzept der Korrektur-KI, ihre Vorteile bei der Verbesserung der Entscheidungsfindung und ihre Anwendung in der Vermögensverwaltung und im Handel. Er betonte die Grenzen traditioneller Ansätze wie Überanpassung und Regimewechsel und betonte die Wirksamkeit der korrigierenden KI bei der Bewältigung dieser Herausforderungen. Der Redner erörterte außerdem die Bedeutung von Big Data, Portfoliooptimierung, Risikomanagement und die Fähigkeit von KI, versteckte Regime vorherzusagen und Anlagestrategien zu verbessern. Insgesamt lieferte Dr. Chan wertvolle Einblicke und Anleitungen für Personen, die daran interessiert sind, KI und maschinelles Lernen in der Finanzbranche zu nutzen.

• 00:00:00 Dr. Ernest Chan erklärt das Konzept der korrigierenden KI, die menschliche Entscheidungen oder Entscheidungen quantitativer Systeme verbessert und korrigiert. Er glaubt, dass KI bei der Korrektur von Entscheidungen effektiver ist, als sie von Grund auf neu zu treffen, und dass diese Technik auf die Vermögensverwaltung und den Handel angewendet werden kann. Dr. Chan empfiehlt nicht, KI zu verwenden, um direkt Handels- oder Investitionsentscheidungen zu treffen, schlägt jedoch vor, sie zur Korrektur von Entscheidungen zu verwenden, die über andere Systeme oder Algorithmen getroffen wurden. Auch der Finanz-KI-Winter wird diskutiert, ein Zeitraum von 2000 bis 2018, in dem es keine nennenswerten Fortschritte bei KI- oder ML-Anwendungen im Handel gab.
  
  
• 00:05:00 Das Video diskutiert die Gründe, warum die meisten auf maschinellem Lernen basierenden Hedgefonds scheitern, wie z. B. Überanpassung, Reflexivität und Regimewechsel. Das Video stellt jedoch auch eine Technik namens korrigierende KI vor, die diese Probleme überwindet, indem sie aus privaten Handelsstrategien oder Portfoliorenditen lernt, um deren zukünftige Renditen vorherzusagen. Korrigierende KI kann nicht durch Arbitrierung ersetzt werden, was sie nützlicher und praktischer macht als die herkömmliche Art der KI-Anwendung im Handel und in der Vermögensverwaltung. Das Video erklärt, dass die korrigierende KI eine große Anzahl von Prädiktoren verwendet, um Vorhersagen zu treffen, und jeden Verlusthandel vermeiden kann, um den Gewinn zu steigern.
  
  
• 00:10:00 Der Redner erklärt, wie KI zur Vorhersage von Handelsstrategien verwendet werden kann, indem Big Data analysiert wird, einschließlich verschiedener Prädiktoren wie Ölfilter, Volatilität am Anleihenmarkt, makroökonomische Indikatoren und Stimmung bei stark gehandelten Aktien. Er stellt jedoch fest, dass es für Einzelpersonen schwierig ist, so viele Daten zu sammeln, da sie Tausende von Eingaben umfassen, was es schwierig macht, KI für Einzelpersonen zu implementieren. Das Unternehmen des Redners hat dieses Problem angegangen, indem es Hunderte von Prädiktoren erstellt hat, die einzelne Händler nutzen können. Er erklärt weiter, dass eine Gewinnwahrscheinlichkeit zur Größenbestimmung von Wetten und zur Kapitalallokation verwendet werden kann, was sich vom traditionellen Risikomanagement unterscheidet, das ausschließlich auf Renditen basiert. Das KI-System definiert implizit das Handelsregime basierend auf den von ihm überwachten Funktionen.
  
  
• 00:15:00 Der Referent erklärt, wie Corrective AI eine adaptivere Risikobewertung von Anlagestrategien ermöglicht, die auf einem höherdimensionalen Verständnis der Vergangenheit und verschiedenen Marktinstrumenten basiert und leistungsfähiger ist als das traditionelle Risikomanagement. Er erörtert auch den Begriff der Regime, wobei explizite Regime wie bullische und bärische Märkte im Nachhinein leicht zu identifizieren, aber schwer genau vorherzusagen sind. Andererseits sind versteckte Regime, wie etwa der Kauf von Call-Optionen durch Robinhood-Händler, schwer zu identifizieren, aber durch die Analyse verräterischer Anzeichen leicht vorherzusagen.
  
  
• 00:20:00 Der Redner erörtert, wie versteckte Regime, die sich nur auf die eigene Anlagestrategie auswirken, einfacher vorherzusagen sind als solche, die sich auf den breiteren Markt auswirken, und wie maschinelles Lernen die Dimensionalität der Eingaben erweitert hat, wodurch es bei der Vorhersage versteckter Regime viel erfolgreicher wird. Der Redner stellt außerdem eine leistungsfähigere Technik vor, die bedingte Portfoliooptimierung, die nicht nur die Gewinnwahrscheinlichkeit vorhersagt, sondern auch die Allokationen zu den Bestandteilen optimiert, um das scharfe Verhältnis zu maximieren. Dies geschieht durch eine fortgeschrittenere Verwendung der Kelly-Formel, die die Kovarianz der Renditen eines Portfolios und die erwartete Rendite des Bestandteils berücksichtigen kann, um eine optimale Allokation zu empfehlen.
  
  
• 00:25:00 Der Redner diskutiert traditionelle Portfoliooptimierungsmethoden wie Risikoparität, minimale Varianz und Markowitz-Mittelwert-Varianz, die Statistiken erster und zweiter Ordnung vergangener Renditen zur Kapitalallokation verwenden. Diese Methoden berücksichtigen jedoch weder Regimewechsel noch nutzen sie die gesamte Renditewahrscheinlichkeitsverteilung, was sie weniger effektiv macht. Korrektive KI hingegen optimiert Portfolios, indem sie die Allokation auf die Portfoliokomponenten durch Big-Data-Injection maximiert, was zu beeindruckenden Ergebnissen führt. Der Einsatz von Big Data hilft, Zusammenhänge zu erkennen, Regimewechsel zu erklären und die Auswirkungen von Faktoren wie Inflation, Zinssätzen und Rohstoffpreisen zu analysieren.
  
  
• 00:30:00 Der Referent erklärt, wie KI Informationen erfassen kann, die mit herkömmlichen Portfoliooptimierungstechniken nicht möglich sind, da sie in der Lage ist, Big Data und externe Faktoren zu berücksichtigen und nicht nur vergangene Renditen. Diese als Conditional Portfolio Optimization (CPO) bezeichnete Technik wurde auf verschiedene Portfolios angewendet und hat zu einer deutlichen Verbesserung der Sharpe Ratio geführt, bei einem S&P 500-Portfolio bis zu dreimal. CPO ist auch in der Lage, in Bärenmärkten in eine defensive Position zu wechseln und kann zur Optimierung für andere Kennzahlen, wie z. B. ESG-Ratings, genutzt werden. Die Technik wurde von renommierten Forschern für maschinelles Lernen überprüft und wird derzeit von einigen der größten Finanzdienstleistungsunternehmen der Welt getestet. Der Redner führt den Erfolg dieser Technik auf die harte Arbeit seiner Forschungs-, Datenwissenschafts-, quantitativen Analyse- und Ingenieurteams zurück.
  
  
• 00:35:00 Dr. Chan rät davon ab, KI zur Generierung von Handelssignalen zu verwenden, sondern sie stattdessen als „Korrektur-KI“ zu verwenden, um die Gewinnwahrscheinlichkeit Ihrer aktuellen Handelsstrategie zu berechnen. Er betont die Bedeutung des Risikomanagements und der Vermeidung von Handelsverlusten. Auf die Frage nach dem Einsatz von maschinellem Lernen zum Verständnis des makroökonomischen Umfelds erklärt er, dass die spezifische Art des verwendeten maschinellen Lernens nicht entscheidend ist und dass der wichtigste Faktor darin besteht, wie es Investitionsentscheidungen verbessert.
  
  
• 00:40:00 Der Redner erklärt, dass es wichtig ist, eine große Anzahl von Eingaben für Big Data zu finden, um die Rendite verschiedener Portfolio-Kapitalallokationen effektiv vorherzusagen. Durch die Erstellung von Renditevorhersagen auf Portfolioebene unter Berücksichtigung von Big Data und Portfoliozusammensetzung ist Corrective AI in der Lage, das beste Portfolio für jedes System auszuwählen. Auf die Frage, ob die Stimmungsanalyse als Teil der ML-Eingaben betrachtet werden kann, bestätigt der Sprecher, dass jeder Datenstrom hinzugefügt werden kann, um weitere Funktionen bereitzustellen, die in Eingabefunktionen zusammengeführt werden können. Darüber hinaus erklärt der Referent, dass die Wahl des Algorithmus für maschinelles Lernen nicht wichtig sei; Auf die Eingaben kommt es an. Abschließend bestätigt der Redner, dass Corrective AI Black-Swan-Ereignisse vorhersagen kann und dass sie ihre Indikatoren erfolgreich zur Vorhersage von Marktcrashs eingesetzt haben.
  
  
• 00:45:00 Der Redner diskutiert die Vorteile des Einsatzes von KI für die Tail-Event-Vorhersage bei Investitionsentscheidungen und empfiehlt Datenanbieter basierend auf der Häufigkeit von Handelsstrategien. Er befasst sich auch mit Fragen im Zusammenhang mit Daten, maschinellem Lernen für Finanzdaten und dem Einsatz von Reinforcement Learning für den Handel. Der Referent betont, dass Risikomanagement und Portfoliooptimierung die besten Anwendungsfälle für KI und maschinelles Lernen im Handel seien. Er bestreitet jedoch, kein Experte für Reinforcement Learning zu sein und keine Erfahrungen aus erster Hand mit der Wirksamkeit des Lernens zu haben.
  
  
• 00:50:00 Der Referent erläutert das Konzept von AutoML, bei dem es sich um die Automatisierung der Parameteroptimierung in der KI handelt, um den Prozess effizienter zu gestalten. Der Redner erörtert auch, dass versteckte Regime im Finanzwesen nicht explizit identifiziert werden können, sondern stattdessen implizit mithilfe von KI vorhergesagt werden, um die Vorhersage von Renditen zu unterstützen. Wenn es darum geht, einem Modell Funktionen hinzuzufügen, empfiehlt der Referent, möglichst viele Daten aus verschiedenen Quellen zu sammeln. Abschließend beschreibt der Referent seinen Ansatz als einen Kontext überwachten Lernens, bei dem die Zielvariable typischerweise zukünftige Renditen oder das zukünftige Sharp Ratio einer Strategie sind.
  
  
• 00:55:00 Dr. Ernest Chan berät eine Person, die in den letzten sechs Monaten algorithmische Handelsmodelle getestet hat, aber nicht weiß, wie sie Gelder und Risikokapitalgeber für ihr neues Fintech-Startup beschafft. Dr. Chan schlägt vor, sich mit einem Pitch Deck an verschiedene Hedgefonds zu wenden, einschließlich Erfolgsbilanz und Erfolgsnachweis. Allerdings sind Risikokapitalgeber in der Regel nicht an algorithmischen Handelsmodellen interessiert. Dr. Chan rät angehenden quantitativen Händlern außerdem, so viel wie möglich zu lesen, Kurse im Mengenbereich zu belegen, Backtests durchzuführen und live zu handeln, um einen Einblick in den Markt zu gewinnen. Er betont, dass der wichtigste Übergang vom Sesselhändler zum echten Händler der Live-Handel ist.

[MetaQuotes]

Bildung auf den Finanzmärkten: Strukturierter Ansatz und neue Trends – Algo Trading Conference 2022

Bildung auf den Finanzmärkten: Strukturierter Ansatz und neue Trends – Algo Trading Conference 2022

Nitesh Khandelwal, Mitbegründer und CEO des Quan Institute, betrat die Bühne der Algo Trading Conference 2022, um eine Podiumsdiskussion zu eröffnen, die sich auf die Bildung auf den Finanzmärkten und die aufkommenden Trends in der Branche konzentriert. Das Gremium bestand aus Experten aus Indien, Singapur und der Schweiz, die eine wichtige Rolle bei Bildungsinitiativen verschiedener Institutionen, Maklerunternehmen, globaler Börsen und der Vermögensverwaltungsbranche spielten. Khandelwal betonte die Bedeutung strukturierter Lernwege für Einzelpersonen, die sich in die Finanzmärkte wagen, da die Branche weiterhin ein erhebliches Wachstum verzeichnet und Teilnehmer mit unterschiedlichem Hintergrund anzieht. Ziel des Panels war es, sich mit den grundlegenden Elementen von Anlage- und Handelsthesen zu befassen und Licht auf die Art und Weise zu werfen, wie man sich in diesen Bereichen Wissen aneignen kann. Die Diskussion umfasste Themen wie Vermögensallokation, datengesteuerte Forschung, den Aufstieg von Privatanlegern und die Auswirkungen von Technologie auf die Finanzbildung.

Während sich die Diskussionsteilnehmer abwechselnd vorstellten, teilten sie ihren Hintergrund in der Finanzbranche und ihr Engagement in Bildungsinitiativen sowie ihre meistverkauften Finanzbücher mit. Sie betonten die Bedeutung der Bildung auf den Finanzmärkten und die möglichen Folgen einer Investition ohne entsprechende Kenntnisse. Sie hoben die Verbreitung von Betrügereien und Ponzi-Systemen hervor, bei denen Personen mit begrenzten finanziellen Kenntnissen ausgebeutet werden. Die Diskussionsteilnehmer betonten die Notwendigkeit einer kontinuierlichen Weiterbildung, da sich die Märkte ständig weiterentwickeln und expandieren.

Die Redner führten ein Gespräch darüber, wie wichtig es ist, sich vor dem Eintritt in die Finanzmärkte ausreichende Kenntnisse anzueignen. Sie warnten davor, ohne solide Grundlage blind in den Handel oder die Investition einzusteigen, da viele von der Leichtigkeit des Einstiegs und der Verlockung schneller Gewinne verführt werden. Sie warnten vor der Gefahr, skrupellosen Personen zum Opfer zu fallen, die diejenigen ausnutzen, denen es an Finanzkenntnissen mangelt. Die Redner gingen auch auf die unrealistischen Erwartungen vieler Neueinsteiger ein, insbesondere während der Pandemie, und diskutierten die wesentlichen Fähigkeiten, die Einzelpersonen oft übersehen, wie etwa technische Analyse und Handelsstrategien.

Die Diskussionsteilnehmer untersuchten weiter die Bildungsmodule, die die meisten Anfragen und das größte Interesse bei den Benutzern hervorrufen. Sie beobachteten einen konstanten Strom von Anfragen für das Modul zu persönlichen Finanzen, insbesondere zu Investmentfonds, während der Abschnitt zu ETFs weniger Anfragen erhielt. Die Redner erzählten auch von ihren persönlichen Erfahrungen im Bereich des algorithmischen Handels und davon, wie der Bedarf an Finanzbildung in Indien sie dazu inspirierte, sich auf die Aufklärung der Massen zu konzentrieren. Sie erkannten die zunehmende Verbreitung des Internets in Indien als Chance, ein breiteres Publikum zu erreichen und die Finanzkompetenz zu verbessern. In der Diskussion wurde auch die Beliebtheit videobasierter Bildung hervorgehoben.

Die Diskussionsteilnehmer befassten sich intensiv mit dem Unterschied zwischen Investieren und Handeln und beleuchteten die häufigen Missverständnisse im Zusammenhang mit diesen Aktivitäten. Während das Investieren oft als unkompliziert wahrgenommen wird, gilt der Handel als komplex und schwierig, davon zu profitieren. Das Gremium betonte die Notwendigkeit einer Aufklärung sowohl zum Handel als auch zum Investieren und wie wichtig es ist, realistische Erwartungen zu setzen. Anschließend ging es in eine Diskussion über neue Trends auf den Finanzmärkten über, mit besonderem Schwerpunkt auf Automatisierungs- und Screening-Tools sowie der steigenden Nachfrage nach Live-Handelsdemonstrationen. Das Gremium stellte ein wachsendes Interesse an Handelsfähigkeiten und Automatisierung fest, insbesondere bei jüngeren Menschen, und hob den zunehmenden Einsatz von Screening-Tools für den kurzfristigen Handel hervor.

Die Redner gingen auf das Missverständnis über die durch automatisierten Handel erzielten Renditen ein und betonten, wie wichtig es sei, die Öffentlichkeit über die mit solchen Investitionen verbundenen Risiken aufzuklären. Sie lieferten auch Einblicke in die verschiedenen Rollen innerhalb der Finanzbranche und stellten fest, dass die Stellenbeschreibungen von Händlern häufig von den üblichen Annahmen abweichen. Andreas, einer der Redner, erörterte die sich im Laufe der Jahre ändernden Qualifikationsanforderungen im Asset Management und verwies auf die Entwicklung komplexerer Modelle, die von größeren Marktteilnehmern vorangetrieben wurden, sowie auf eine zunehmende Präsenz von Doktoranden und Quants.

Ein weiteres zentrales Diskussionsthema war der Einfluss von maschinellem Lernen und Technologie auf die Finanzmarktbildung. Während sich maschinelles Lernen oft auf die Preisvorhersage beschränkt, betonten die Diskussionsteilnehmer sein Potenzial, das Portfoliomanagement und die Risikobewertung erheblich zu beeinflussen. Sie betonten, dass Technologie beim Handel zwar eine entscheidende Rolle spielt, es jedoch entscheidend ist, mit einem Fundament an Grundwissen und gesundem Menschenverstand zu beginnen, bevor man sich mit fortgeschritteneren Strategien befasst. Die Diskussionsteilnehmer stellten fest, dass sich die Technologie im Laufe der Zeit weiterentwickelt hat und selbst rudimentäre Formen der Technologie Händlern einen Marktvorteil verschaffen können.

Anschließend diskutierten die Diskussionsteilnehmer darüber, wie Technologie und soziale Medien die Finanzmärkte in den letzten Jahren verändert und neue Möglichkeiten für Händler geschaffen haben. Obwohl technologische Fortschritte der Branche erhebliche Vorteile gebracht haben, betonten die Redner, dass menschlicher Input und Analysen nach wie vor von entscheidender Bedeutung für den Erfolg sind. Sie warnten davor, sich zu sehr auf Technologie zu verlassen, ohne vollständig zu verstehen, wie man sie effektiv nutzt, und betonten die Bedeutung von Bildung.

Darüber hinaus betonten die Redner die Bedeutung der Bildung auf den Finanzmärkten und betonten die Bedeutung des kritischen Denkens bei der Anwendung technischer Analysetools. Sie warnten davor, blind veralteten Ratschlägen von Finanzgurus zu folgen, und ermutigten Händler, beim Lernen einen erfahrungsorientierten und interaktiven Ansatz zu wählen. Obwohl es ideal ist, einen Experten als Ratgeber zur Seite zu haben, räumten sie ein, dass dies möglicherweise nicht immer machbar ist. Daher müssen Händler sorgfältig technische Analysetools testen und hinterfragen, die für eine andere Ära entwickelt wurden.

Andreas Clenow und Vivek Vadoliya diskutierten über den Wert interaktiver Online-Lehre und Online-Lernen in der Finanzbildung. Clenow betonte die Bedeutung des „Learning by Doing“ und riet Händlern, Regeln aus Handelsbüchern nicht blindlings umzusetzen. Er stellte fest, dass es kein allgemein bestes Handelssystem gibt und betonte den persönlichen Charakter jedes Handelsmodells, der von den Zielen des Einzelnen abhängt. Andererseits schlug Vadoliya den Papierhandel und simulierte Umgebungen als wertvolle Brücken zwischen Theorie und Praxis vor. Er räumte ein, dass der Papierhandel seine Nachteile haben kann, erklärte jedoch, dass er für Händler mit begrenztem Kapital eine hervorragende Möglichkeit sei, Selbstvertrauen zu gewinnen und sich auf den realen Handel vorzubereiten.

Auch die Grenzen des Papierhandels wurden angesprochen und alternative Methoden zum Sammeln von Erfahrungen im realen Marktumfeld diskutiert. Die Redner schlugen vor, ein oder zwei Aktien eines Unternehmens zu kaufen, um die Feinheiten der Auftragserteilung, der Margenverwaltung und der Navigation auf der Handelsplattform kennenzulernen. Sie betonten auch, dass der Papierhandel eine nützliche Einführung in das Handelssystem darstellt und den Händlern ein Gefühl für die Dynamik des Marktes vermittelt. Die Komplexität der Simulation wurde anerkannt und die Notwendigkeit betont, Simulatoren zu entwickeln, die die Marktleistung genau nachahmen, insbesondere für Strategien, die Märkte schaffen.

Mit Blick auf die Zukunft der Finanzmärkte äußerten die Diskussionsteilnehmer ihre Ansichten zu möglichen Veränderungen in den nächsten fünf bis sieben Jahren. Ein Redner prognostizierte, dass der Einzelhandelsmarkt aufgrund der zunehmenden Zugänglichkeit von Handelsplattformen und der Fülle an Informationen, die über Social-Media-Kanäle fließen, noch an Bedeutung gewinnen werde. Ein anderer Redner betonte, dass jüngere Generationen mit traditionellen Finanzakteuren weniger vertraut seien und prognostizierte, dass das Durchschnittsalter der Händler auf 13 Jahre sinken werde. Die Unsicherheit über die Zukunft der Finanzmärkte konzentrierte sich darauf, wie die jüngere Generation die Branche prägen würde.

Die Diskussionsteilnehmer diskutierten auch die Auswirkungen unrealistischer Erwartungen von Einzelhändlern und die daraus resultierende Verschärfung der Vorschriften in Indien. Sie rechneten mit einem künftigen Marktumfeld mit strengeren Regulierungen, was letztlich den Einzelhändlern langfristig zugutekommen würde. Während die Tätigkeit als Makler schwieriger werden könnte, wurde die Verschärfung der Regulierung als positive Entwicklung für die Marktteilnehmer angesehen. Darüber hinaus empfahlen sie Ressourcen für diejenigen, die mehr darüber erfahren möchten, wie sich die Märkte in den letzten 20 Jahren entwickelt haben, und welche Auswirkungen diese Veränderungen auf Anlagestrategien haben. Zu den Vorschlägen gehörten die Durchsicht von Rundschreiben von Regulierungsbehörden und das Studium von Büchern über die Mikrostruktur des Marktes. Die Sitzung endete mit einer Frage zu Andreas‘ Plänen für ein neues Buch, auf die er antwortete, dass er bereits ein Programmierbuch und einen Roman geschrieben habe, aber keine unmittelbaren Pläne für neue Handelsbücher habe.

Abschließend bedankte sich der Redner bei den Diskussionsteilnehmern und Teilnehmern der Algo Trading Conference 2022. Sie hofften, dass die Sitzung einen strukturierten Ansatz und wertvolle Einblicke in neue Trends auf den Finanzmärkten vermittelt habe. Sie boten jedem, der zusätzliche Unterstützung benötigte, weitere Hilfe an. Der Redner bedankte sich abschließend bei allen Beteiligten und übergab die Konferenz an seinen Kollegen Afrin, was das Ende der Sitzung signalisierte.

Die Podiumsdiskussion auf der Algo Trading Conference 2022 bot eine umfassende Untersuchung der Bedeutung der Bildung auf den Finanzmärkten und der sich entwickelnden Trends innerhalb der Branche. Die Redner betonten die Notwendigkeit strukturierten Lernens und kontinuierlicher Weiterbildung, um die Komplexität des Handels und Investierens erfolgreich zu meistern. Sie hoben die Risiken hervor, die mit dem Markteintritt ohne ausreichende Kenntnisse verbunden sind, einschließlich der Gefahr, Opfer von Betrügereien und unrealistischen Erwartungen zu werden. Die Diskussionsteilnehmer betonten außerdem die Rolle von Technologie, maschinellem Lernen und sozialen Medien bei der Gestaltung der Finanzmärkte und unterstrichen gleichzeitig die Bedeutung menschlicher Analyse und kritischen Denkens.

Die Sitzung beleuchtete verschiedene Themen, darunter die Unterscheidung zwischen Investieren und Handeln, die Bedeutung praktischer Lernerfahrungen und die Auswirkungen von Automatisierungs- und Screening-Tools. Die Redner diskutierten auch die Zukunft der Finanzmärkte, wobei der Schwerpunkt auf dem Einfluss von Einzelhändlern, regulatorischen Verschärfungen und der Notwendigkeit einer kontinuierlichen Anpassung an Marktveränderungen lag. Sie betonten die Bedeutung von Bildung für die Befähigung des Einzelnen, fundierte Finanzentscheidungen zu treffen, und warnten davor, blind veralteten Strategien zu folgen oder sich ausschließlich auf Technologie zu verlassen.

Die Podiumsdiskussion lieferte dem Publikum wertvolle Einblicke und Orientierungshilfen und vermittelte ihm das nötige Wissen, um sich effektiv in der dynamischen Landschaft der Finanzmärkte zurechtzufinden.

• 00:00:00 Nitesh Khandelwal, Mitbegründer und CEO des Quan Institute, leitet eine Podiumsdiskussion über Bildung auf den Finanzmärkten und die aufkommenden Trends ein. Dem Gremium gehören Experten aus Indien, Singapur und der Schweiz an, die eine wichtige Rolle bei Bildungsinitiativen von Institutionen, Maklern, globalen Börsen und der Vermögensverwaltungsbranche spielen. Khandelwal betont die Bedeutung strukturierter Lernwege für Einzelpersonen, die in die Finanzmärkte einsteigen, da die Branche weiterhin ein massives Wachstum und eine Beteiligung von Menschen aller Hintergründe verzeichnet. Ziel des Panels ist es, die Bausteine der Anlage- und Handelsthese zu diskutieren und zu lernen, wie man sie kennenlernt. Dabei werden Themen wie Vermögensallokation, datengesteuerte Forschung, der Aufstieg von Privatanlegern und die Auswirkungen der Technologie auf die Finanzbildung angesprochen.
  
  
• 00:05:00 Die Diskussionsteilnehmer stellen sich selbst und ihren Hintergrund in der Finanzbranche vor, einschließlich ihrer Arbeit in Bildungsinitiativen und meistverkauften Finanzbüchern. Sie erörtern die Bedeutung der Bildung auf den Finanzmärkten und die Folgen, wenn man nicht lernt, bevor man investiert, und betonen die Verbreitung von Betrügereien und Schneeballsystemen, die Menschen mit geringen Finanzkenntnissen zum Opfer fallen. Sie betonen auch die Notwendigkeit einer kontinuierlichen Weiterbildung, da sich die Märkte ständig weiterentwickeln und expandieren.
  
  
• 00:10:00 Die Referenten erörtern, wie wichtig es ist, vor dem Eintritt in die Finanzmärkte über entsprechende Kenntnisse zu verfügen, insbesondere im Hinblick auf den einfachen Einstieg und die schnellen Ergebnisse, die für diejenigen, die auf der Suche nach schnellem Geld sind, verlockend sein können. Sie warnen davor, blind und ohne ausreichende Kenntnisse in den Markt einzusteigen und Opfer derer zu werden, die es ausnutzen könnten. Die Redner betonen auch die unrealistischen Erwartungen vieler Neueinsteiger während der Pandemie und die Fähigkeiten, die den meisten Menschen fehlen, mit einer Verlagerung hin zu technischer Analyse und Handel.
  
  
• 00:15:00 Die Referenten diskutieren die Bildungsmodule, die bei den Nutzern die meisten Anfragen und das größte Interesse wecken. Das Modul zu persönlichen Finanzen, das Investmentfonds abdeckt, verzeichnet einen stetigen Strom an Anfragen, während der Abschnitt zu ETFs weniger Anfragen erhält. Die Redner diskutieren auch über ihre Reise im Bereich des Algo-Handels und wie der Bedarf an Finanzbildung in Indien sie dazu inspirierte, sich auf die Bildung von Menschen zu konzentrieren. Das Wachstum des Internets in Indien wird als Chance gesehen, die Massen zu erreichen und die Finanzkompetenz zu verbessern. Auch die Beliebtheit videobasierter Bildung wird hervorgehoben.
  
  
• 00:20:00 Das Panel diskutiert den Unterschied zwischen Investieren und Handeln und die damit verbundenen Missverständnisse. Sie weisen darauf hin, dass Investitionen oft als einfach und unkompliziert wahrgenommen werden, der Handel hingegen als komplex und schwierig, Geld zu verdienen. Das Panel erörtert auch die Notwendigkeit einer Aufklärung über Handel und Investitionen sowie die Festlegung realistischer Erwartungen. Anschließend diskutieren sie die aufkommenden Trends auf den Finanzmärkten, wobei der Schwerpunkt auf Automatisierungs- und Screening-Tools sowie der steigenden Nachfrage nach Live-Demonstrationen des Handels liegt. Das Gremium stellt fest, dass das Interesse an Handelsfähigkeiten und Automatisierung wächst, insbesondere bei der jüngeren Zielgruppe, und dass immer mehr Menschen Screening-Tools nutzen, um in kürzeren Zeitrahmen zu handeln.
  
  
• 00:25:00 Die Referenten diskutieren die falsche Vorstellung über die durch automatisierten Handel erzielten Renditen und die Notwendigkeit, die Öffentlichkeit über das mit solchen Investitionen verbundene Erbrisiko aufzuklären. Sie beleuchten auch die unterschiedlichen Rollen in der Finanzbranche, darunter auch die der Händler, die tatsächlich eine andere Berufsbeschreibung haben, als die Leute normalerweise annehmen. Andreas gibt Einblick in die Veränderungen der Qualifikationsanforderungen in der Vermögensverwaltung im Laufe der Jahre und stellt fest, dass sich mit der Sammlung von Vermögenswerten durch größere Akteure und einer Zunahme der Anzahl von Doktoranden und Quants komplexere Modelle entwickelt haben.
  
  
• 00:30:00 In diesem Abschnitt diskutieren die Redner die Auswirkungen von maschinellem Lernen und Technologie auf die Finanzmarktbildung. Während sich maschinelles Lernen oft auf die Vorhersage von Preisen beschränkt, kann es einen größeren Einfluss auf das Portfolio- und Risikomanagement haben. Technologie war schon immer ein entscheidender Aspekt des Handels, aber es ist wichtig, mit Grundkenntnissen und gesundem Menschenverstand zu beginnen, bevor man zu fortgeschritteneren Strategien übergeht. Die Technologie hat sich im Laufe der Zeit weiterentwickelt und selbst rudimentäre Formen der Technologie können Händlern einen Vorteil verschaffen.
  
  
• 00:35:00 Die Redner diskutieren, wie Technologie und soziale Medien die Finanzmärkte in den letzten Jahren verändert und neue Möglichkeiten für Händler geschaffen haben. Obwohl die Technologie der Branche erhebliche Fortschritte gebracht hat, sind menschliche Eingaben und Analysen nach wie vor von entscheidender Bedeutung für den Erfolg, da Automatisierung und Algorithmen allein nicht ausreichen. Die Redner betonen die Bedeutung von Bildung, da sich viele Händler möglicherweise zu sehr auf die Technologie verlassen, ohne vollständig zu verstehen, wie sie diese effektiv nutzen können.
  
  
• 00:40:00 Die Referenten diskutieren die Bedeutung der Bildung auf den Finanzmärkten und wie wichtig kritisches Denken bei der Anwendung technischer Analysetools ist. Sie warnen davor, blind den Gurus von vor Jahrzehnten zu folgen, und ermutigen Händler stattdessen, beim Lernen erfahrungsorientierter und interaktiver vorzugehen. Obwohl es ideal ist, einen Experten an Ihrer Seite zu haben, der Sie anleitet und unterrichtet, ist dies nicht immer möglich. Daher müssen Händler sorgfältig technische Analysetools testen und hinterfragen, die für eine andere Zeit entwickelt wurden.
  
  
• 00:45:00 Andreas Clenow und Vivek Vadoliya diskutieren über die Bedeutung interaktiver Online-Lehre und Online-Lernen in der Finanzbildung. Clenow betont den Wert des „Learning by Doing“ und ermutigt Händler, Regeln aus Handelsbüchern nicht blindlings umzusetzen. Er erwähnt, dass es nicht das beste Handelssystem gibt und jedes Modell individuell ist und von den Zielen des Einzelnen abhängt. Andererseits schlägt Vadoliya den Papierhandel und simulierte Umgebungen als nützliche Brücke zwischen Theorie und Praxis vor. Obwohl er anerkennt, dass Papierhandel potenziell kontraproduktiv sein kann, ist er für Händler mit geringem Kapital eine hervorragende Möglichkeit, Selbstvertrauen zu gewinnen und sich auf die reale Welt vorzubereiten.
  
  
• 00:50:00 Die Referenten diskutieren die Grenzen des Papierhandels und alternative Methoden, um Erfahrungen in realen Marktumgebungen zu sammeln. Sie schlagen vor, ein oder zwei Aktien eines Unternehmens zu kaufen, um die Nuancen bei der Auftragserteilung, der Margenverwaltung und dem Kennenlernen der Handelsplattform kennenzulernen. Für professionelle Händler ist der Papierhandel eine gute Möglichkeit, sie in das System einzuführen und ihnen ein Gefühl für die große Aufgabe des Marktes zu vermitteln. Die Redner erwähnen auch die Komplexität der Simulation und die Notwendigkeit, Simulatoren zu entwickeln, die die Marktleistung nachahmen, insbesondere für Strategien, die Märkte schaffen.
  
  
• 00:55:00 Die Redner diskutieren ihre Ansichten zur Zukunft der Finanzmärkte und wie sie sich in den nächsten fünf bis sieben Jahren verändern könnten. Ein Redner prognostiziert, dass der Einzelhandelsmarkt aufgrund der zunehmenden Zugänglichkeit von Handelsplattformen und des Informationsflusses über soziale Medien noch wichtiger werden wird. Ein anderer Redner stellt fest, dass jüngere Generationen mit traditionellen Finanzakteuren wie der Citibank nicht vertraut sind und prognostiziert, dass das Durchschnittsalter der Händler auf 13 Jahre sinken wird. Insgesamt scheint sich die Unsicherheit über die Zukunft der Finanzmärkte auf die jüngere Generation und deren Einfluss auf die Branche zu konzentrieren.
  
  
• 01:00:00 Die Redner diskutieren die Auswirkungen von Einzelhändlern mit unrealistischen Erwartungen und die daraus resultierenden regulatorischen Verschärfungen in Indien. Sie prognostizieren, dass die Regulierung der Märkte in Zukunft strenger sein wird, aber auf lange Sicht wird dies den Einzelhändlern zugute kommen. Auch wenn es schwierig sein kann, als Makler Geschäfte zu machen, wird eine Verschärfung der Regulierung für die Marktteilnehmer von Vorteil sein. Darüber hinaus schlagen sie Ressourcen für diejenigen vor, die erfahren möchten, wie sich die Märkte in den letzten 20 Jahren entwickelt haben und welche Auswirkungen diese Veränderungen auf Anlagestrategien haben, wie z. B. das Durchsehen von Rundschreiben der Aufsichtsbehörden und das Studium von Büchern über die Marktmikrostruktur. Die Sitzung endet mit einer Frage, wann Andreas ein neues Buch veröffentlichen wird, und er antwortet, dass er bereits ein Programmierbuch und einen Roman geschrieben habe, aber derzeit keine Handelsbücher geplant seien.
  
  
• 01:05:00 Der Redner bedankt sich bei den Diskussionsteilnehmern und Teilnehmern der Algo Trading Conference 2022. Sie hoffen, dass die Sitzung hilfreich war, um einen strukturierten Ansatz und Einblicke in neue Trends auf den Finanzmärkten zu vermitteln. Darüber hinaus bieten sie jedem, der sie benötigt, weitere Hilfe an. Abschließend bedankt sich der Redner bei allen und gibt die Konferenz an seinen Kollegen Afrin weiter.

[MetaQuotes]

Regimedefinition: Triage zwischen Bullen und Bären, warum es die Arbeit vereinfacht

Regimedefinition: Triage zwischen Bullen und Bären, warum es die Arbeit vereinfacht

Lauren Burnett, eine der Rednerinnen auf der Algo Trading Conference 2022, hielt einen aufschlussreichen Vortrag über das Konzept der Regimeanalyse und ihre Bedeutung für die Vereinfachung des Handelsablaufs. Der Hauptschwerpunkt der Regimeanalyse besteht darin, die Marktlage zu bestimmen, ob bullisch, bärisch oder nicht schlüssig, und Handelsentscheidungen auf dieser Einschätzung zu stützen. Burnett zog eine Parallele zwischen der Regimeanalyse und dem Triage-Prozess, der während des Krieges in Feldlazaretten eingesetzt wurde, da es bei beiden darum geht, schnelle Entscheidungen mit begrenzten Ressourcen und Zeitbeschränkungen zu treffen.

Der Kern der Regimeanalyse besteht darin, den Markt in zwei oder drei verschiedene Bereiche zu kategorisieren, was einen vereinfachten Handelsansatz ermöglicht. Durch die Analyse von Marktregimen können Händler leicht erkennen, wann sie Maßnahmen ergreifen und wann sie dabei bleiben sollten. Darüber hinaus hat Burnett ein proprietäres Tool zur globalen Überprüfung von Anlageklassen eingeführt, das den Analyseprozess weiter vereinfacht.

Während der Präsentation erläuterte der Redner das Konzept der Regimeanalyse in absoluten Zahlen, wobei sich der Markt entweder nach oben, nach unten bewegt oder stagniert, was zu bullischen, bärischen bzw. nicht schlüssigen Marktbedingungen führt. Während nur wenige Anlageklassen in absoluten Zahlen gehandelt werden können, wird der Großteil auf Basis ihrer relativen Zeitreihen gehandelt. Relative Reihen beziehen sich auf die Wertentwicklung von Wertpapieren im Vergleich zu einer Benchmark, bereinigt um Währungsschwankungen. Um dies zu veranschaulichen, lieferte Burnett ein Beispiel anhand des S&P 500-Index und verdeutlichte, wie die Anzahl der Wertpapiere mit einer Outperformance relativ gesehen um die 50 schwankte, während sie in absoluten Zahlen ein anderes Muster aufwies. Das Verständnis des Regimes und seiner verschiedenen Reihen kann die Arbeit von Sektoranalysten vereinfachen und wertvolle Einblicke in das Marktverhalten liefern.

Die Auswirkungen der Regimeanalyse auf Long-Short-Aktienportfolios wurden ebenfalls diskutiert. Der Redner betonte, dass ein Long-Short-Aktienportfolio die Summe des Nettoergebnisses der Long- und Short-Positionen ist und seine Performance durch das Delta zwischen beiden bestimmt wird. Die Konzentration auf die relative Performance und Sektorrotation statt auf die absoluten Bewegungen einzelner Aktien bietet einen reibungsloseren und besser kontrollierbaren Ansatz für die Arbeit mit dem Markt. Der Redner erklärte, dass während eines Bullenmarktes Aktien mit hohem Beta auf der Long-Seite liegen, während Aktien mit niedrigem Beta auf der Short-Seite liegen. Umgekehrt sind während eines Bärenmarktes defensive Aktien mit niedrigem Beta auf der Long-Seite, während volatile Aktien mit hohem Beta, die ihre Performance schnell einbüßen, auf der Short-Seite liegen.

Die Bedeutung der Einbeziehung der Regimeanalyse in Marktanalysen und Investitionsentscheidungen wurde stark betont. Auch wenn die Erzielung von Überrenditen im Finanzbereich überlebenswichtig ist, reicht es nicht aus, sich ausschließlich auf fundamentale oder quantitative Analysen zu verlassen. Die Vernachlässigung der Regimeanalyse, die die vorherrschenden Marktbedingungen berücksichtigt, die die Wertentwicklung einer Aktie beeinflussen können, kann zu schlechten Anlageentscheidungen führen, die ausschließlich auf Bewertungen und Trends basieren, ohne den breiteren Marktkontext zu berücksichtigen. Der Redner warnte davor, Aktien leerzuverkaufen, ohne die Dynamik zu berücksichtigen, und in Wertfallen zu investieren, denen überzeugende Narrative fehlen, um Investoren anzulocken. Wer die Regimeanalyse außer Acht lässt, setzt sich auf lange Sicht einem erheblichen Geschäftsrisiko und einem potenziellen Vertrauensverlust der Anleger aus.

Der Redner gab Einblicke, wie die Regimeanalyse genutzt werden kann, um festzustellen, warum sich eine Aktie nach oben oder unten bewegt hat. Sie erklärten, dass es drei Arten von Antworten gibt: Konsolidierung, Sektorrotation und aktienspezifische Gründe. Durch die Kategorisierung dieser Gründe können Anleger ihren Arbeitsablauf vereinfachen und eine objektivere Herangehensweise an den Markt verfolgen. In der Präsentation wurden auch verschiedene technische Analysestrategien, einschließlich Ausbrüche, angesprochen und anerkannt, dass sie zwar konzeptionell einfach sind, aber unter inhärenten Verzögerungen leiden können, die Geduld erfordern. Vereinfachung wurde als Schlüssel zum Erreichen von Perfektion hervorgehoben und den Anlegern wurde geraten, Diener des Marktes zu sein.

Während der Präsentation wurden zwei Handelsmethoden besprochen, nämlich asymmetrische Einträge und gleitende Durchschnitte. Gleitende Durchschnitte wurden wegen ihrer Fähigkeit, Marktkontext bereitzustellen, hervorgehoben, obwohl es anhaltende Debatten über die ideale Dauer gibt. Es wurde festgestellt, dass gleitende Durchschnitte nicht für unruhige Märkte geeignet sind. Interessanterweise können gleitende Durchschnitte auch als Ausstiegsstrategie verwendet werden. Wenn sich die gleitenden Durchschnitte abflachen, deutet dies darauf hin, dass sich der Markt im Wandel befindet. Während dieser Zeit kommt es bei vielen Händlern zu Slippage und Transaktionskosten, die zu einem erheblichen Leistungsverlust führen können. Der Redner erläuterte außerdem das Konzept höherer Hochs und höherer Tiefs, das einen Aufwärtstrend nahelegt, wenn ein Markt nacheinander höhere Hochs und höhere Tiefs erreicht. Darüber hinaus stellte der Redner seine Lieblingsmethode namens „Boden und Decke“ vor, bei der die rechte Schulter eines Kopf-Schulter-Musters identifiziert wird, um optimale Einstiegs- und Ausstiegspunkte für Trades zu bestimmen.

Der Redner vertiefte sich am Beispiel von Boden- und Deckenmarkierungen in das Konzept der Regimedefinition. Sie erklärten, dass diese Markierungen ein höheres Tief (Boden) bzw. ein niedrigeres Hoch (Obergrenze) darstellen. Jede Preisbewegung zwischen diesen Marken gilt als bullisch. Der Redner betonte, dass dieses Konzept für verschiedene Anlageklassen und Zeitrahmen gilt. Sie erkannten jedoch an, dass die rechnerische Definition von Regimen eine zeitaufwändige Aufgabe ist. Der Referent stellte das Konzept eines „Scores“ vor, der den Durchschnitt aller divergierenden Definitionsmethoden darstellt. Mithilfe des Scores lässt sich ermitteln, ob verschiedene Methoden sowohl hinsichtlich der relativen als auch der absoluten Preise übereinstimmen oder voneinander abweichen. Ein Wert, der eine Übereinstimmung anzeigt, deutet auf eine bullische Stimmung hin, während ein Wert von Null auf eine Divergenz hinweist.

Erörtert wurde die Leistungsfähigkeit der Verwendung einer Bewertungsmethode zur Beurteilung, ob Bullen- und Bärensignale auf dem Markt übereinstimmen. Ein Wert von Null weist auf eine Unstimmigkeit zwischen den Methoden hin, während ein Wert über Null auf eine Übereinstimmung zwischen absoluten und relativen Indikatoren hinweist. Der Redner stellte das Konzept der Gewinnerwartung vor, bei dem die Gewinnrate multipliziert mit dem durchschnittlichen Gewinn abzüglich der Verlustrate multipliziert mit dem durchschnittlichen Verlust berechnet wird. Diese Analyse der Gewinnerwartung hilft dabei, den Markt in zwei Kategorien zu unterteilen: Bullen und Bären, und ermöglicht so eine gezielte Analyse der Sektoren, die sich gut entwickeln. Es wurde jedoch betont, dass diese Analyse als erster Schritt dient, um Wertpapiere mit einer Outperformance zu identifizieren, die für eine Anlage in Betracht gezogen werden sollten.

Es wurde die Frage aufgeworfen, ob die Regimeanalyse auf einzelne Aktien angewendet werden kann oder auf Sektoren beschränkt ist. Der Redner stellte klar, dass die Regimeanalyse für jede einzelne Aktie bewertet und auf Marktebene angewendet werden kann. Sie warnten vor dem häufigen Fehler, überkaufte Aktien leerzuverkaufen, und betonten die Tendenz, dass überverkaufte Aktien depressiv werden, was oft zu einer schnellen Erholung führt. Darüber hinaus erklärte der Redner, dass überkaufte und überverkaufte Bedingungen kontextabhängig sind und auf der Grundlage empirischer Beobachtungen über die Zeit gemittelt werden, je nachdem, ob sich eine Aktie im bärischen oder bullischen Bereich befindet.

In der Präsentation wurde auch erörtert, wie die Regimeanalyse Händlern dabei helfen kann, Fehlalarme in der technischen Analyse zu vermeiden. Durch die Anwendung einer Regimeanalyse zur Unterscheidung zwischen bullischen und bärischen Szenarien können Händler ihren Arbeitsablauf vereinfachen und objektivere Handelsentscheidungen treffen. Der Redner warnte vor dem sich verstärkenden Risiko, das sich aus der ausschließlichen Verfolgung von Trends auf der Long-Seite und einer Mean-Reversion auf der Short-Seite ergeben kann. Sie empfahlen, beide Seiten gleich zu behandeln, um schlecht gemanagte Risiken zu mindern. Auf die Frage, ob man das rechte und linke Heck durch Optionen absichern könne, riet der Redner davon ab und schlug stattdessen vor, die Fahrt zu genießen. Auch relative Indikatoren wie gleitende Durchschnitte wurden erläutert und deren Verwendung in einem Diagramm demonstriert.

Während der Präsentation stellte der Redner verschiedenfarbige Punkte auf einem Diagramm vor, um bestimmte Muster und Anzeichen darzustellen. Rote und grüne Punkte stellen Swing High bzw. Swing Lows dar. Auf dem Diagramm waren außerdem blaue und rosa Dreiecke zu sehen, die die Boden- und Deckenmarkierungen darstellten, wobei Blau ein bullisches Regime anzeigte. Darüber hinaus stellten helllachsfarbene und hellgrüne Dreiecke eine Handelsspanne dar. Der Redner stellte klar, dass ihre Regimeanalyse-Methodik nicht von einem bestimmten Buch beeinflusst sei, drückte jedoch seine Wertschätzung für Robert Carvers Arbeit zum systematischen Handel aus. Bezüglich der Auswirkungen der Geldpolitik auf die Regimeanalyse betonte der Redner die entscheidende Rolle der Politik der US-Notenbank, da der US-Dollar direkt oder indirekt die globale Stimmung und Markttrends beeinflusst.

Gegen Ende der Präsentation ging der Redner auf verschiedene Szenarien ein, die sich auf den Markt auswirken können, und konzentrierte sich dabei insbesondere auf das Konzept des „Regimes“. Sie diskutierten drei konkrete Szenarien, die sich auf das Marktregime auswirken können. Das erste Szenario bezog sich auf einen zu „frostigen“ Markt, was auf ein vorsichtiges und unsicheres Marktumfeld hindeutete. Das zweite Szenario beinhaltete die Ankunft von Anleihewächtern, die eine Rolle bei der Regulierung der Zinssätze und der Beeinflussung des Marktverhaltens spielen. Abschließend erwähnte der Redner die Auswirkungen der Inflation, die die Federal Reserve zu einer Anpassung der Geldpolitik zwingen können. Diese Szenarien wurden als externe Faktoren dargestellt, die das Marktregime beeinflussen, anstatt von ihm kontrolliert zu werden.

Um diese Szenarien effektiv zu steuern, stellte der Redner ein Tool vor, das Informationen über die aktuelle Marktordnung liefert. Dieses Tool unterstützt Händler dabei, sich angemessen zu positionieren und sich an veränderte Marktbedingungen anzupassen. Durch ein klares Verständnis des Regimes können Händler fundiertere Entscheidungen treffen und ihre Strategien entsprechend anpassen.

Der Vortrag betonte die Bedeutung der Regimeanalyse für die Vereinfachung des Handelsablaufs. Durch die Kategorisierung des Marktes in verschiedene Regime und das Verständnis ihrer Auswirkungen können Händler fundiertere Handelsentscheidungen treffen. Das Konzept der Regimeanalyse wurde nicht nur auf Sektoren, sondern auch auf einzelne Aktien angewendet und ermöglichte eine umfassende Beurteilung der Marktdynamik. In der Präsentation wurde auch hervorgehoben, wie wichtig es ist, sowohl absolute als auch relative Indikatoren wie gleitende Durchschnitte zu berücksichtigen, um einen umfassenden Überblick über den Markt zu erhalten.

Die Einblicke des Redners in die Regimeanalyse, Handelsmethoden und die Anwendung von Bewertungssystemen lieferten wertvolle Hinweise für Händler, die ihren Handelsansatz rationalisieren und die Entscheidungsfindung verbessern möchten. Die Präsentation endete mit der Hervorhebung der Auswirkungen der Geldpolitik, der globalen Stimmung und der Markttrends auf die Gestaltung von Marktregimen sowie der Bedeutung, anpassungsfähig zu bleiben und auf diese Dynamiken zu reagieren.

• 00:00:00 Lauren Burnett diskutiert das Konzept der Regimeanalyse und ihre Bedeutung für die Vereinfachung des Handelsablaufs. Die Idee der Regimeanalyse besteht darin, festzustellen, ob sich der Markt in einem bullischen, bärischen oder nicht schlüssigen Zustand befindet, und dann Handelsentscheidungen auf dieser Einschätzung zu stützen. Dieser Ansatz erinnert an den Triage-Prozess in Feldlazaretten während des Krieges, da es bei beiden darum geht, schnelle Entscheidungen auf der Grundlage begrenzter Ressourcen und Zeit zu treffen. Durch die Analyse der Marktregime auf diese Weise kann der Handel in zwei oder drei klare Bereiche vereinfacht werden, sodass leichter erkennbar ist, wann man handeln und wann man bleiben sollte. Burnett stellt außerdem sein eigenes Tool zur globalen Überprüfung von Anlageklassen vor, das seiner Meinung nach den Analyseprozess weiter vereinfacht.
  
  
• 00:05:00 Der Redner erklärt das Konzept des Regimes in absoluten Zahlen, wobei der Preis steigt, fällt oder nirgendwo hingeht und der Markt als bullisch, bärisch oder nicht schlüssig angesehen wird. Nur wenige Anlageklassen können in absoluten Zahlen gehandelt werden, während die meisten auf der Grundlage ihrer relativen Reihe gehandelt werden, also der Wertentwicklung von Wertpapieren im Vergleich zu einer Benchmark, angepasst an die Währung. Der Redner liefert ein Beispiel für den S&P 500-Index und die Anzahl der Outperformer, die relativ gesehen um die 50 schwanken, während die absoluten Zahlen ein anderes Muster zeigen. Insgesamt kann das Verständnis des Regimes und seiner verschiedenen Reihen die Arbeit von Sektoranalysten vereinfachen und wertvolle Einblicke in das Marktverhalten liefern.
  
  
• 00:10:00 Der Redner erörtert die Auswirkungen auf Long-Short-Aktienportfolios, wenn die Anzahl der Wertpapiere, die steigen, steigt, während die Anzahl der Wertpapiere, die fallen, abnimmt. Er erklärt, dass das Long-Short-Aktienportfolio die Summe des Nettoergebnisses der Long- und Short-Seiten ist und das Delta dieser beiden die Performance bestimmt. Die Konzentration auf die relative Performance und die Sektorrotation statt auf den Anstieg oder Rückgang der Aktien in absoluten Zahlen ist eine reibungslosere und einfachere Möglichkeit, mit den Märkten zu arbeiten. Darüber hinaus erklärt der Sprecher, dass Beta die Kovarianzmatrix mit dem Index ist und dass während eines Bullenmarktes Aktien mit hohem Beta auf der Long-Seite liegen, während Aktien mit niedrigem Beta auf der Short-Seite liegen. Während eines Bärenmarktes sind defensive Aktien mit niedrigem Beta auf der Long-Seite, während High-Beta-Aktien mit hohem Beta, die ihre Performance schnell einbüßen, auf der Short-Seite liegen.
  
  
• 00:15:00 Der Redner betont, wie wichtig es ist, die Regimeanalyse zu verstehen und zu nutzen, wenn man Marktanalysen durchführt und Investitionsentscheidungen trifft. Auch wenn die Erzielung von Überrenditen in diesem Bereich überlebenswichtig ist, reicht es nicht aus, lediglich fundamentale oder quantitative Analysen durchzuführen. Ohne Berücksichtigung der Regimeanalyse – der Analyse der Marktregime, die die Wertentwicklung einer Aktie beeinflussen können – trifft man möglicherweise schlechte Anlageentscheidungen, die ausschließlich auf Bewertungen und Trends basieren, ohne die Marktsituation zu berücksichtigen. Beispiele hierfür sind Leerverkäufe von Aktien ohne Berücksichtigung des Momentums und Investitionen in Wertfallen, die möglicherweise keine überzeugende Geschichte haben, um Anleger anzulocken. Durch die Vernachlässigung der Regimeanalyse geht man ein erhebliches Geschäftsrisiko ein und kann auf lange Sicht das Vertrauen der Anleger verlieren.
  
  
• 00:20:00 Der Referent erklärt, wie man mithilfe des Konzepts der Regimeanalyse feststellen kann, warum eine Aktie gestiegen oder gefallen ist. Er gibt an, dass es drei Arten von Antworten gibt: Konsolidierung, Sektorrotation und aktienspezifische Gründe, die es Anlegern ermöglichen, ihren Arbeitsablauf zu vereinfachen und objektiver gegenüber dem Markt zu sein. Der Redner erörtert auch verschiedene technische Analysestrategien, einschließlich Ausbrüchen, die konzeptionell einfach sind, aber eine inhärente Verzögerung aufweisen, die Geduld erfordern kann. Der Redner kommt zu dem Schluss, dass Vereinfachung der Schlüssel zum Gipfel der Perfektion ist, und erinnert Anleger daran, Diener des Marktes zu sein.
  
  
• 00:25:00 Der Redner diskutiert zwei Handelsmethoden: asymmetrische Einträge und gleitende Durchschnitte. Gleitende Durchschnitte tragen dazu bei, den Marktkontext zu verbessern, und obwohl es immer einen Streit über die Dauer gibt, besteht der Nachteil von gleitenden Durchschnitten darin, dass es nicht einfach ist, auf unruhigen Märkten zu handeln. Die gute Nachricht ist, dass gleitende Durchschnitte auch zum Ausstieg aus Positionen genutzt werden können; Wenn die gleitenden Durchschnitte abflachen, geben die Leute aufgrund der Slippage-Transaktionskosten viel Leistung zurück. Der Redner spricht auch von höheren Hochs und höheren Tiefs, was bedeutet, dass der Markt steigt, wenn er höhere Hochs und höhere Tiefs erreicht. Schließlich ist die vom Redner bevorzugte Methode die Boden- und Deckenmethode, die die rechte Schulter des Kopf-Schulter-Musters darstellt und zur Bestimmung des Zeitpunkts des Ein- und Ausstiegs aus Trades verwendet werden kann.
  
  
• 00:30:00 Der Referent erläutert das Konzept der Regimedefinition am Beispiel von Boden- und Deckenmarkierungen. Er erläutert, wie die Markierungen ein höheres Tief bzw. ein niedrigeres Hoch anzeigen und alles dazwischen als bullisch gilt. Der Referent stellt fest, dass dieses Konzept über Anlageklassen und Zeitrahmen hinweg funktioniert. Er räumt jedoch ein, dass die Definition eines Regimes rechenintensiv ist und viel Zeit in Anspruch nimmt. Der Redner erörtert auch den Score, der ein Durchschnitt aller divergierenden Definitionsmethoden ist, und wie er dabei helfen kann, festzustellen, ob die Methoden sowohl bei den relativen als auch bei den absoluten Preisen übereinstimmen oder voneinander abweichen. Der Wert schwankt zwischen +1 und -1, wobei eine Übereinstimmung auf eine bullische Stimmung hinweist und eine Divergenz auf einen Wert von Null hinweist.
  
  
• 00:35:00 Der Redner erörtert die Leistungsfähigkeit der Verwendung einer Bewertungsmethode, um festzustellen, ob die Bullen- und Bärensignale auf einem Markt übereinstimmen. Wenn der Wert Null ist, bedeutet dies, dass die Methode nicht übereinstimmt, und wenn der Wert über Null liegt, stimmen sowohl die absoluten als auch die relativen Indikatoren überein. Anschließend erklärt der Redner die Gewinnerwartung, die sich aus Gewinnrate mal Durchschnittsgewicht minus Verlust mal Durchschnittsverlust ergibt, und zeigt eine Gewinnerwartungsdatei für alle Methoden. Die Methodik ermöglicht die Einteilung des Marktes in zwei Kategorien, Bullen und Bären, was dazu beitragen kann, die Analyse auf bestimmte Sektoren zu konzentrieren, die sich gut entwickeln. Letztlich handelt es sich um eine vorläufige Analyse, die dabei hilft, zu ermitteln, welche Wertpapiere eine Outperformance erzielen und für eine Anlage in Betracht gezogen werden sollten.
  
  
• 00:40:00 Es stellt sich die Frage, ob die Regimeanalyse auf einzelne Aktien oder nur Sektoren angewendet werden kann. Der Moderator erklärt, dass das System sehr einfach ist und für jede einzelne Aktie bewertet und auf Marktebene angewendet werden kann. Der Moderator geht auch auf den klassischen Fehler ein, überkaufte Aktien leerzuverkaufen, und betont, dass überverkaufte Aktien normalerweise depressiv werden und Vielflieger sind. Darüber hinaus erklärt der Moderator, dass überkaufte und überverkaufte Bedingungen kontextabhängig sind und auf der Grundlage dessen gemittelt werden, ob sich eine Aktie im bärischen oder bullischen Bereich befindet, und dass sie im Laufe der Zeit empirisch beobachtet werden.
  
  
• 00:45:00 Der Redner erörtert das Konzept der Regimeanalyse und wie es Händlern helfen kann, Fehlalarme zu vermeiden, auf die sie in der technischen Analyse stoßen könnten. Die Regimeanalyse kann verwendet werden, um zwischen Bullen und Bären zu unterscheiden und die Handelsarbeit zu vereinfachen. Darüber hinaus erklärt der Redner, dass das Üben von Trendfolgen auf der Long-Seite und Mean-Reversion auf der Short-Seite das Risiko erhöhen kann und dass beide Seiten gleich behandelt werden sollten, um ein schlecht schraffiertes Risiko zu vermeiden. Auf die Frage, ob man das rechte und linke Heck durch Optionen absichern möchte, rät der Redner davon ab und schlägt stattdessen vor, die Fahrt zu genießen. Abschließend erläutert der Referent die relativen Indikatoren, wie zum Beispiel gleitende Durchschnitte, anhand eines Diagramms.
  
  
• 00:50:00 Der Sprecher erklärt die verschiedenen farbigen Punkte auf dem Diagramm, einschließlich roter und grüner Punkte, die Swing High Swing Lows darstellen. Das Panel verfügt außerdem über blaue und rosafarbene Dreiecke für den Boden und die Decke, mit einem blauen, bullischen Boden und der Decke sowie einer helllachsfarbenen und hellgrünen Handelsspanne. Der Redner erwähnt auch, dass es kein bestimmtes Buch gibt, das seine Regimeanalyse inspiriert hat, er lobt jedoch Robert Carvers Arbeit zum systematischen Handel sehr. Auf die Frage nach den Auswirkungen der Geldpolitik auf die Regimeanalyse glaubt der Redner, dass die Politik der US-Notenbank von entscheidender Bedeutung sei, da alles auf der Welt vom US-Dollar abhängt, was direkt oder indirekt die Stimmung und letztendlich die Markttrends beeinflusst.
  
  
• 00:55:00 Der Redner erörtert die verschiedenen Szenarien, die sich auf den Markt auswirken können, insbesondere das „Regime“, das sich auf den Zustand oder Zustand des Marktes bezieht. Die drei Szenarien sind, dass der Markt zu „eisig“ ist, Anleihewächter aufstehen, um „Tischmanieren beizubringen“, und die Inflation die Fed zum Handeln zwingt. Das Regime hat keine Kontrolle über diese Faktoren und spiegelt stattdessen die Marktlage wider. Der Referent stellt außerdem ein Tool vor, das zeigt, wo sich der Markt aktuell befindet und eine bessere Positionierung als Reaktion auf Marktveränderungen ermöglicht.

[MetaQuotes]

Mikro-Alphas: Finanzgeologie | Algo-Trading-Konferenz

Mikro-Alphas: Finanzgeologie | Algo-Trading-Konferenz

Während seines Vortrags befasste sich Dr. Thomas Starke mit dem Konzept der „Mikro-Alphas“, das er als Finanzgeologie bezeichnete. Er begann mit der Erörterung, wie sich die Handelslandschaft von traditionellen offenen Finanzmärkten zum bildschirmbasierten Handel und in jüngerer Zeit zu Algorithmen entwickelt hat. Um diesen Wandel zu veranschaulichen, zog er eine Analogie zu den Tagen des Goldrauschs, als Menschen auf der Suche nach Glück in Flüssen nach Goldnuggets suchten.

Dr. Stark betonte, dass der Handel mit dem Aufkommen fortschrittlicher Tools wie Datenanalyse, maschinelles Lernen und künstliche Intelligenz immer komplexer geworden sei. Er erklärte, dass einfache technische Indikatoren wie gleitende Durchschnitte nicht mehr so effektiv seien und sich der professionelle Handel in Richtung quantitativer Strategien verlagert habe. Es wurde die herkömmliche Definition von Alpha vorgestellt, die Renditen darstellt, die nicht mit dem Markt korrelieren, mit Benchmarking am S&P 500 oder Spy ETF.

Der Redner hob die Herausforderungen hervor, denen sich Alpha-Strategien in den heutigen Märkten gegenübersehen. Sie stellten fest, dass die Verbreitung von Akteuren, einschließlich Hochfrequenzhändlern, die Markteffizienz und Zufälligkeit erhöht hat, was es schwieriger macht, Gewinne zu erzielen und die Wirksamkeit von Vorhersageindikatoren verringert.

Als nächstes wurde das Konzept der Mikroalphas vorgestellt und der Redner demonstrierte, wie maschinelles Lernen genutzt werden kann, um diese kleinen, spezialisierten Strategien zur Alpha-Generierung zu generieren. Durch die Kombination mehrerer schwacher Prädiktoren mithilfe von Ensemble-Methoden wie Bagging oder Bootstrap-Aggregation können stärkere Prädiktoren mit geringerer Varianz und einem geringeren Risiko einer Überanpassung erstellt werden. Der Redner veranschaulichte dieses Konzept anhand des Crossover-Handelssignals mit gleitendem Durchschnitt als schwachem Prädiktor innerhalb einer Mikroalpha-Strategie. Durch Backtesting und Aufteilung der Ergebnisse in Trainings- und Testsätze können profitablere Handelsstrategien entwickelt werden.

Dr. Stark betonte, wie wichtig es sei, Handelsstrategien zu testen und zu optimieren, um eine Überanpassung zu vermeiden. Anstatt einfach den besten Parametersatz auszuwählen, schlug der Redner vor, die verfügbaren Parameter grafisch darzustellen und Korrelationen zwischen dem gewählten Test und der Metrik zu finden. Die Robustheit gegenüber Überanpassung bei Mikroalpha-Strategien wurde diskutiert und die Verwendung der Aggregation durch Absacken als Methode zur Kombination schwacher Alphas hervorgehoben. Der Redner präsentierte die Strategie eines Kunden als Beispiel dafür, wie die Kombination von Alphas die Ergebnisse verbessern kann.

Darüber hinaus stellte der Redner das Konzept der „Finanzgeologie“ oder des „Alpha-Mining“ vor, bei dem Mikroalphas einzeln unauffällig sind, aber kombiniert werden können, um eine solidere und effektivere Handelsstrategie zu schaffen. Sie betonten die Bedeutung der Breite, die sich auf die Anzahl der verwendeten Vermögenswerte oder Handelsstrategien und deren Korrelation bezieht. Während die Erweiterung der Fähigkeiten eine Herausforderung darstellt, kann eine größere Breite zu einem höheren Informationsverhältnis und einer verbesserten Leistung führen.

Anschließend verlagerte sich die Diskussion auf die Bedeutung der Portfoliogewichtung und -hierarchie für die Optimierung der Performance. Verschiedene Gewichtungsschemata, wie etwa gleiche Gewichtungen, Tangency-Portfolios für Vermögensverwalter mit bedeutenden Kundenvermögen und optimale f für risikotolerante Privatanleger, wurden erläutert.

Die Erzeugung von Signalen und deren Normalisierung, um im Laufe der Zeit Positionsänderungen hervorzurufen, wurden ebenso diskutiert wie die Notwendigkeit, Transaktionskosten zu verstehen und zu minimieren. Der Redner betonte, wie durch Skalierung eine Long-Only-Strategie in eine Quasi-Short-Strategie umgewandelt werden kann. Sie erwähnten auch die Existenz eines Wochentagseffekts bei Strategien, bei denen die Positionsgrößen an Wochentagen variieren, was möglicherweise zur Entwicklung neuer Strategien führen könnte. Handelsalgorithmen wurden als Mittel zur Minimierung von Transaktionskosten hervorgehoben, wobei der Arrival Price-Algorithmus als Beispiel vorgestellt wurde.

Der Redner stellte das Alumgram I'm Going Chris-Modell vor, ein Ausführungskurvenmodell, das dabei hilft, die nahezu beste Ausführung für Transaktionen zu ermitteln. Durch eine bessere Ausführung als der mittlere Preis können Händler die Transaktionskosten senken und von kleineren Vorteilen profitieren, wodurch mehr Mikroalphas zu ihren Modellen hinzugefügt werden. Als Beispiel wurde eine ESG-Strategie vorgestellt, die ihre Widerstandsfähigkeit in volatilen Marktbedingungen unter Beweis stellte.

Dr. Starke ging auf eine Frage zur Überanpassung ein und erklärte, dass es schwierig sei, Überanpassung zu messen und vollständig zu beseitigen. Er schlug vor, weitere Alphas hinzuzufügen und für jede Hinzufügung Tests durchzuführen und zu beobachten, ob sich das Shop-Verhältnis verbessert oder nicht. Er warnte jedoch vor der Möglichkeit der Rosinenpickerei und betonte, wie wichtig es sei, die Überanpassung so weit wie möglich zu minimieren, auch wenn sie nicht vollständig vermieden werden könne. Er ermutigte das Publikum, in der Umfrage, die sie nach der Sitzung erhalten würden, weitere Fragen zu stellen.

Gegen Ende der Sitzung kündigte der Redner eine 15-minütige Pause vor der nächsten Sitzung zum Regimedefinitionstest zwischen Bullen und Bären an, um die Arbeit zu vereinfachen. Sie erwähnten auch, dass Lauren Burner aus Tokio, Japan, an der Sitzung teilnehmen würde. Der Redner bedankte sich bei Thomas Paul für seine Teilnahme an der ersten Sitzung und äußerte die Hoffnung, ihn bald wiederzusehen.

Dr. Thomas Starke lieferte wertvolle Einblicke in das Konzept der „Mikro-Alphas“ und die Finanzgeologie. Er diskutierte die Entwicklung des Handels von traditionellen Märkten zu algorithmischen Strategien, die Herausforderungen, denen sich Alpha-Strategien im heutigen Marktumfeld gegenübersehen, und das Potenzial des maschinellen Lernens zur Generierung von Mikroalphas. Die Bedeutung des Testens, der Optimierung von Strategien und der Vermeidung von Überanpassung wurde ebenso hervorgehoben wie die Bedeutung der Portfoliogewichtung, des Transaktionskostenmanagements und des Einsatzes von Handelsalgorithmen. Der Redner stellte außerdem das Alumgram-Modell „I'm Going Chris“ für eine bessere Ausführung vor und kündigte die Veröffentlichung eines Quantra-Kurses zu Mikro-Alphas an. Die Sitzung endete mit einem Aufruf für weitere Fragen und einer Pause vor der nächsten Sitzung.

• 00:00:00 Dr. Thomas Stark diskutiert das Konzept der „Mikro-Alphas“ und bezeichnet es als Finanzgeologie. Er erklärt, dass sich der Handelsbereich von offenen Finanzmärkten zum bildschirmbasierten Handel und nun zu Algorithmen verlagert hat. Er zieht eine Analogie zu den Tagen des Goldrauschs, als Menschen in Flüssen nach Goldnuggets suchten, um ihr Glück zu machen. Der Abschnitt endet damit, dass Dr. Stark sich vorstellt und seine Kontaktinformationen teilt, einschließlich seines LinkedIn-Kontos, seiner E-Mail-Adresse, seines YouTube-Kanals und seines Twitter-Kontos.
  
  
• 00:05:00 Der Redner nutzt die Analogie der Gewinnung von Goldstaub aus Tonnen von Gestein, um zu erklären, wie der Handel durch den Einsatz schwerer Maschinen wie Datenanalyse, maschinelles Lernen und künstliche Intelligenz komplexer geworden ist. Sie stellen fest, dass einfache technische Indikatoren wie gleitende Durchschnitte nicht mehr effektiv sind und sich der professionelle Handel weitgehend auf den Einsatz quantitativer Strategien verlagert hat. Anschließend definiert der Redner die herkömmliche Definition von Alpha als Korrelation zwischen Marktrenditen und Strategierenditen, mit Benchmarking am S&P 500 oder Spy ETF. Sie erklären, dass Mikroalphas kleine, spezialisierte Alpha-generierende Strategien sind, die als Ergänzung oder Ersatz für traditionelle Alpha-Strategien eingesetzt werden können.
  
  
• 00:10:00 Der Referent erklärt das Konzept von Alpha, einem Begriff, der in der Vermögensverwaltung verwendet wird, um Renditen anzuzeigen, die nicht mit dem Markt korrelieren. Der Redner weist außerdem darauf hin, dass idiosynkratische Renditen das Können von Händlern oder Vermögensverwaltern darstellen und berechnet werden, wenn die Feed-Kurve die Nulllinie auf der y-Achse kreuzt. Während Alphas früher unkomplizierter waren, sind sie aufgrund der zunehmenden Zahl von Akteuren auf den Finanzmärkten, darunter Hochfrequenzhändler, die die Märkte effizienter und zufälliger machen, schwächer geworden. Diese erhöhte Zufälligkeit führt dazu, dass es schwieriger wird, Gewinne aus dem Markt zu ziehen, und dass Vorhersageindikatoren weniger effektiv sind.
  
  
• 00:15:00 Der Referent diskutiert das Konzept der „Mikroalphas“ und wie diese durch den Einsatz von maschinellem Lernen generiert werden können. Durch die Verwendung mehrerer schwacher Prädiktoren und deren Kombination mithilfe von Ensemble-Methoden wie Bagging oder Bootstrap-Aggregation kann ein stärkerer Prädiktor mit geringerer Varianz und einem geringeren Risiko einer Überanpassung erstellt werden. Wie das funktionieren kann, zeigt der Referent am Beispiel des Moving-Average-Crossover-Handelssignals und wie es als schwacher Prädiktor innerhalb einer Mikroalpha-Strategie eingesetzt werden kann. Durch die Durchführung von Backtests für eine Vielzahl von Parametersätzen und die Aufteilung der Ergebnisse in einen Zug- und Testsatz können profitablere Handelsstrategien generiert werden.
  
  
• 00:20:00 Der Redner erörtert die Bedeutung des Testens und Optimierens von Handelsstrategien, um eine Überanpassung zu vermeiden. Sie erklären, dass die einfache Auswahl des besten Parametersatzes zu einer Überanpassung führen kann, und schlagen stattdessen vor, die verfügbaren Parameter grafisch darzustellen und eine Korrelation zwischen dem Test und der gewählten Metrik zu finden. Anschließend diskutieren sie die Bedeutung der Robustheit gegenüber Überanpassung bei Mikro-Alpha-Strategien und wie Aggregation durch Bagging dabei helfen kann, schwache Alphas zu kombinieren. Sie präsentieren eine Strategie, die sie kürzlich für einen Kunden entwickelt haben, als Beispiel dafür, wie die Kombination von Alphas die Ergebnisse verbessern kann.
  
  
• 00:25:00 Der Redner spricht über „Mikroalphas“, das sind kleine, einzeln unauffällige Handelsstrategien, die relativ robust sind und kombiniert werden können, um eine solidere, effektivere Strategie zu schaffen. Der Prozess der Kombination dieser Mikroalphas wird als „Alpha-Mining“ oder „Finanzgeologie“ bezeichnet, bei dem kleine Goldstaubkörnchen zu einem massiven Goldbarren kombiniert werden. Der Redner betont die Bedeutung der Breite, die sich darauf bezieht, wie viele Vermögenswerte oder Handelsstrategien verwendet werden und wie korreliert sie sind. Während es schwierig ist, Fähigkeiten zu erweitern, kann die Breite leicht vergrößert werden, was zu einem höheren Informationsverhältnis und einer besseren Leistung der Handelsstrategie führt.
  
  
• 00:30:00 Der Redner diskutiert das Konzept des „Atems“ im Handel und wie eine Erhöhung der Anzahl von Vermögenswerten und Strategien zu einer besseren Leistung führen kann. Sie erwähnen verschiedene Handelsstile, wie z. B. Warren Buffetts hohen Informationskoeffizienten und seinen geringen Atem, im Vergleich zu Unternehmen wie Renaissance Technology mit enormem Können und enormem Atem. Der Referent skizziert verschiedene Strategien, darunter technische Indikatoren, statistische Anomalien, Autokorrelation, Mustererkennung und Signale für maschinelles Lernen sowie zeitbasierte Signale. Darüber hinaus erläutern sie, wie Gewichtung und Hierarchie im Portfoliomanagement eine entscheidende Rolle spielen, um die Leistung zu optimieren.
  
  
• 00:35:00 Der Referent diskutiert verschiedene Arten von Gewichtungen, die zur Gewichtung von Portfolios aus Strategien oder Vermögenswerten verwendet werden können. Der Referent erwähnt, dass gleiche Gewichtungen eine ziemlich gute Methode zur Gewichtung von Portfolios seien, auch wenn sie trivial erscheinen mögen. Außerdem wird das Tangency-Portfolio besprochen, das verwendet wird, um die besten risikobereinigten Renditen für ein kombiniertes Portfolio zu erzielen. Der Redner erwähnt auch optimales f, ein weiteres Gewichtungsschema, das zur Steigerung der Gewinne verwendet wird, jedoch mit maximaler Volatilität. Der Referent rät, dass Vermögensverwalter, die viele Kundenvermögen verwalten, mit Tangency-Portfolios oder ähnlichen Portfoliosystemen arbeiten sollten, während für Privatanleger, die recht risikotolerant sind, optimale f geeignet sein könnten.
  
  
• 00:40:00 Der Referent diskutiert die Erzeugung von Signalen und wie diese normalisiert werden, um eine Positionsänderung im Laufe der Zeit zu erzeugen, die zu hohen Schwankungen führen kann. Der Redner betont auch, wie wichtig es ist, die Transaktionskosten zu verstehen und Geschäfte gut auszuführen, um diese Kosten zu minimieren. Darüber hinaus erläutert der Referent, wie durch den Einsatz von Skalierung eine Long-Only-Strategie in eine Quasi-Short-Strategie umgewandelt werden kann. Darüber hinaus weist der Redner auf einen Wochentagseffekt bei Strategien hin, bei denen die Positionsgrößen an verschiedenen Wochentagen unterschiedlich sind, und schlägt vor, dass dieser zur Entwicklung einer neuen Strategie genutzt werden könnte. Abschließend betont der Redner die Bedeutung des Einsatzes von Handelsalgorithmen zur Minimierung von Transaktionskosten und demonstriert, wie der Arrival-Price-Algorithmus zu diesem Zweck funktioniert.
  
  
• 00:45:00 Der Redner erörtert die Entstehung eines spezifischen Ausführungskurvenmodells namens Alumgram I'm Going Chris-Modell, mit dem eine nahezu optimale Ausführung für Transaktionen ermittelt werden kann. Durch eine Ausführung, die besser als der mittlere Preis ist, können Händler Transaktionskosten einsparen und kleinere Vorteile ausnutzen, wodurch mehr Mikro-Alphas zu ihren Modellen hinzugefügt werden. Als Beispiel stellt der Redner eine ESG-Strategie vor, deren Performance sich durch volatile Marktbedingungen nicht wesentlich beeinträchtigte. Der Redner kündigt außerdem die Veröffentlichung eines Quantra-Kurses zu Mikro-Alphas an, der eine Reihe von Themen abdeckt, von der Gestaltung von Backtests bis zum Aufbau einer Handelsplattform.
  
  
• 00:50:00 Dr. Starke wird zur Überanpassung befragt und wie er Akzeptanzkriterien für ein Maß an Anpassung misst und festlegt. Er erklärt, dass es kein gutes Maß für die Überanpassung gibt und es schwierig sein kann, sie vollständig zu minimieren. Dr. Scott schlägt vor, weitere Alphas hinzuzufügen und für jede Hinzufügung Tests durchzuführen, um zu sehen, ob sich die Shop-Quote verbessert oder nicht, warnt jedoch davor, dass Rosinenpickerei möglich ist. Er empfiehlt außerdem, bewusst darauf zu achten, die Überanpassung so weit wie möglich zu minimieren, da nichts von dem, was getan wird, ein gewisses Maß an Überanpassung vollständig verhindern kann. Abschließend schlägt er vor, dass das Publikum in der Umfrage, die es nach der Sitzung erhält, weitere Fragen stellen kann.
  
  
• 00:55:00 Der Redner kündigt eine 15-minütige Pause vor der nächsten Sitzung zum Regimedefinitionstest zwischen Bullen und Bären an, was die Arbeit vereinfacht. Lauren Burner aus Tokio, Japan, wird an der Sitzung teilnehmen. Der Redner dankt Thomas Paul für seine Teilnahme an der ersten Sitzung und hofft, ihn bald wiederzusehen.

[MetaQuotes]

Einführung in den systematischen Optionshandel | Kostenloses Webinar

Einführung in den systematischen Optionshandel | Kostenloses Webinar

Akshay Chaudhary, quantitativer Analyst bei Continuum, hielt einen aufschlussreichen Vortrag über die Bedeutung des systematischen Handels mit Optionen. Er begann damit, die Fallstricke des Handels auf der Grundlage von Intuition und Emotionen zu veranschaulichen und erzählte von der unglücklichen Erfahrung eines Händlers, erhebliche Verluste zu erleiden. Akshay betonte die Notwendigkeit eines klar definierten Handelsplans, eines strengen logischen Rahmens und der Umsetzung von Stop-Loss-Maßnahmen zur Risikominderung.

Der Redner ging auf den systematischen Ansatz des Optionshandels ein und erläuterte dessen mehrstufigen Prozess. Es beginnt mit der Erfassung von Optionsdaten, die von Anbietern oder kostenlosen Quellen wie Yahoo Finance oder Google Finance bezogen werden können. Die Daten werden dann je nach Größe in CSV-Dateien oder Datenbanken organisiert und gespeichert. Der nächste Schritt besteht darin, die Daten anhand spezifischer Parameter zu überprüfen und eine Teilmenge des gesamten Datensatzes zu erstellen. Anschließend wird eine Optionsstrategie definiert und Ein- und Ausstiegsregeln festgelegt. Die Strategie wird einem Backtesting unterzogen, bei dem ihre Leistung anhand von Kennzahlen wie maximalem Drawdown, Sharpe Ratio und Varianz bewertet wird. Abschließend wird die Strategie optimiert, indem die Parameter angepasst werden, um Gewinne zu maximieren oder Risiken zu minimieren, und sie wird vorwärts getestet oder auf Papier gehandelt, um ihre Wirksamkeit in einem Live-Marktumfeld zu validieren.

Der systematische Optionshandelsprozess wurde weiter erläutert, wobei die Bedeutung des Abrufens und Bereinigens von Daten, der Erstellung von Screenern zur Identifizierung geeigneter Optionen, der Definition klarer Handelsregeln für Ein- und Ausstieg, der Durchführung von Backtesting zur Bewertung der Leistung, der Optimierung von Strategien bei Bedarf und deren Vorwärtstests hervorgehoben wurde Marktbedingungen in Echtzeit. Als Beispiel stellte der Redner eine Back-Short-Butterfly-Strategie vor, bei der technische Indikatoren für Handelsein- und -ausstiege genutzt werden. Sie demonstrierten den Code zum Importieren von Daten, Berechnen von Indikatoren, Generieren von Signalen und Backtesting der Strategie.

Die Videopräsentation präsentierte die Backtesting-Ergebnisse einer einfachen Strategie. Die Strategie basierte auf spezifischen Ein- und Ausstiegsbedingungen, wobei die Backtesting-Ergebnisse den Nettogewinn und die kumulierte Gewinn- und Verlustrechnung veranschaulichten. Der Redner erwähnte komplexere Strategien wie „Eiserne Kondore“ und betonte, wie wichtig es ist, Strategien anhand von Papierhandelsszenarien zu testen, bevor sie auf dem Live-Markt eingesetzt werden. Darüber hinaus wurden Dos und Don'ts eines systematischen Optionshandels besprochen, darunter die Beschaffung von Daten aus glaubwürdigen Quellen, die Berücksichtigung von Transaktionskosten und Slippages, die Aufrechterhaltung von Kapitalpuffern und die Implementierung von Stop-Loss-Maßnahmen zur effektiven Risikosteuerung.

Das Risikomanagement im Optionshandel wurde hervorgehoben, wobei Strategien wie Stop-Loss-Orders und Absicherung im Vordergrund standen. Die vier Hauptziele des Optionshandels wurden dargelegt: Backtesting und Optimierung von Strategien, Einsatz angemessener Positionsgrößen- und Risikomanagementtechniken, Beibehaltung der Einfachheit des Handelssystems und Einhaltung des festgelegten Plans. Umgekehrt wurde den Händlern geraten, das System nicht zu komplizieren, die Strategie zu beeinträchtigen, sich zu sehr einer einzigen Strategie zu widmen und mit illiquiden Optionen zu handeln. Der Redner warb auch für einen umfassenden Kurs mit dem Titel „Systematischer Optionshandel“, der verschiedene Aspekte des systematischen Handels und der Handelsstrategien abdeckt.

Im Zusammenhang mit der Erfassung historischer Optionskettendaten wurden Alternativen zu Yahoo Finance untersucht. Brokerplattformen wie TD Ameritrade oder E-Trade wurden empfohlen, da sie Zugriff auf historische Optionskettendaten bieten. Auch externe Datenanbieter wie OptionMetrics oder IvyDB wurden als Quellen für historische Optionsdaten genannt, allerdings gegen Gebühr. Es wurde betont, dass gründliche Recherchen durchgeführt werden sollten, um einen zuverlässigen Datenanbieter auszuwählen, der den individuellen Bedürfnissen entspricht.

Der Redner betonte die Bedeutung von Datenanbietern für Echtzeitdaten im Optionshandel und betonte die Notwendigkeit glaubwürdiger Datenquellen. Sie beantworteten eine Frage zum Kursinhalt und versicherten den Zuschauern, dass Dateien für das Backtesting von Butterfly-Optionen bereitgestellt würden. Der Kurs behandelte Strategien wie die Butterfly-Strategie, die Iron-Condor-Strategie und Spreads. Es wurde klargestellt, dass der Kurs vom Grundniveau bis zum fortgeschrittenen Niveau reicht und sich an Personen richtet, die über ein grundlegendes Verständnis der Optionen verfügen. Die technische Analyse wurde als Exit-Tool erwähnt, dessen Kenntnis hilfreich, aber keine Voraussetzung ist.

Der Redner ging auf verschiedene Fragen des Publikums bezüglich der Überschneidung zwischen dem Executive-Programm im algorithmischen Handel und dem Optionshandel, der Verfügbarkeit von Daten für Backtesting in Python und den Kriterien für die Einstufung von Optionen als illiquide ein. Als bevorzugte Programmiersprache für Backtesting wurde Python empfohlen, wobei Bibliotheken für technische Indikatoren und maschinelles Lernen verwendet werden. Es wurde jedoch darauf hingewiesen, dass auch andere Sprachen wie Java verwendet werden könnten. Als weitere Option für das Backtesting erwähnte der Redner BlueShift, da es eine Python-Schnittstelle bereitstellt.

Die Bedeutung von Vorwärtsteststrategien vor der Skalierung wurde betont. Es wurde empfohlen, einige Monate bis zu einem Jahr lang Vorwärtstests durchzuführen, um sicherzustellen, dass die Strategie auf dem Live-Markt gut funktioniert, bevor das Kapital erhöht oder Anpassungen vorgenommen werden. Vertrauen in die Wirksamkeit des Systems ist von entscheidender Bedeutung, bevor es in größerem Maßstab eingesetzt wird. Die Dauer des Forward-Tests kann je nach Handelshäufigkeit und spezifischer Strategie variieren. Der Redner betonte die Notwendigkeit eines gründlichen Backtestings und Papierhandels vor dem Forward-Testing, um das Kapital schrittweise zu erhöhen und gleichzeitig die Leistung des Systems zu überwachen.

Der Redner empfahl, systematische Optionshandelsstrategien mindestens drei bis vier Monate lang zu testen, um verschiedene Marktszenarien zu erfassen und die Leistung unter verschiedenen Bedingungen zu bewerten. Es wurden mehrere Fragen des Publikums beantwortet, darunter Fragen zur Automatisierung der Angebots- und Nachfragestrategie und ob der Kurs Strategien abdeckte, die auf der IV-Oberfläche (Implied Volatility) basieren. Der Redner gab außerdem eine kurze Erläuterung der Kalenderverteilungen und riet interessierten Lernenden, sich mit Kursberatern in Verbindung zu setzen, um herauszufinden, welcher Kurs für ihre Ziele am besten geeignet ist, beispielsweise um Quant-Trader zu werden.

Es wurde die Möglichkeit diskutiert, mithilfe eines Algorithmus Swing- oder Umkehrkerzen zu identifizieren. Der Redner erklärte, dass die Machbarkeit von der Entwicklung logischer Regeln abhängt, die auf bestimmten Kerzenparametern oder -eigenschaften basieren, beispielsweise Kerzenmuster wie das Hammermuster. Bezüglich der Wahl zwischen C++ und Python für den Handel wurde vorgeschlagen, dass Python für längere Zeiträume ausreicht, während C++ besser für den Handel mit geringer Latenz und hoher Frequenz geeignet ist. Für Neulinge, die sich für den Handel mit algorithmischen Optionen interessieren, empfahl der Redner die Erkundung der quantitativen Ansätze im Futures- und Optionshandel. Sie betonten auch die Relevanz des automatisierten Handels mit Python und Interactive Brokers.

Der Redner beendete das Webinar, indem er die Teilnehmer dazu aufforderte, an einer Umfrage teilzunehmen, um Feedback zu geben und sicherzustellen, dass alle ihre Fragen beantwortet wurden. Sie erinnerten die Zuschauer an einen exklusiven Rabatt, der nur Webinar-Teilnehmern zur Verfügung steht, und schlugen vor, vor der Anmeldung die Kursseite zu lesen und die kostenlose Vorschau zu nutzen. Die Zuschauer wurden eingeladen, mit den Kursberatern in Kontakt zu treten, um weitere Informationen und einen maßgeschneiderten Lernpfad zu erhalten. Der Redner bedankte sich für die Unterstützung des Publikums und ermutigte es, Feedback für zukünftige Webinare zu geben.

• 00:00:00 Akshay Chaudhary, quantitativer Analyst bei Continuum, erörtert die Notwendigkeit eines systematischen Handels mit Optionen. Er nennt ein Beispiel eines Händlers, der auf der Grundlage von Intuition und Emotionen handelt, was zu erheblichen Verlusten führt. Akshay betont die Bedeutung eines Handelsplans, einer strengen Handelslogik und der Implementierung von Stop-Losses. Er erklärt außerdem, dass es beim systematischen Handel mit Optionen um mehr geht als nur Ein- und Ausstiegsregeln.
  
  
• 00:05:00 Der Redner erörterte den systematischen Ansatz beim Optionshandel, der das Sammeln von Daten, das Screening anhand bestimmter Parameter, das Backtesting und schließlich das Forwardtesting umfasst. Der erste Schritt besteht darin, die Optionsdaten zu erhalten, die von Anbietern oder kostenlosen Quellen wie Yahoo Finance oder Google Finance abgerufen werden können. Sobald die Daten erfasst sind, können sie je nach Größe in CSV-Dateien oder Datenbanken gespeichert werden. Der nächste Schritt besteht darin, die Daten anhand spezifischer Parameter zu überprüfen, bei denen es sich um eine Teilmenge des gesamten Datensatzes handelt. Der folgende Schritt besteht darin, eine Optionsstrategie zu definieren, sie zu testen und Ein- und Ausstiegsregeln zu definieren. Die Strategie kann anhand des maximalen Drawdowns, der Sharpe-Ratio und der Varianz einem Backtest unterzogen und bewertet werden. Schließlich sollte die Strategie durch Optimierung der Parameter optimiert werden, um den Gewinn zu maximieren oder das Risiko zu minimieren, und sie sollte vorwärts getestet oder auf Papier gehandelt werden, um ihre Wirksamkeit sicherzustellen.
  
  
• 00:10:00 Der Redner erklärt den systematischen Optionshandelsprozess, der das Abrufen und Bereinigen von Daten, die Erstellung eines Screeners zum Finden einer Teilmenge von Optionen, die Definition von Handelsregeln für Ein- und Ausstieg, Backtesting der Strategie, die Bewertung ihrer Leistung und deren Optimierung umfasst erforderlich, und Vorwärtstests im Live-Markt. Sie bieten außerdem einen Überblick über eine Back-Short-Butterfly-Strategie, die technische Indikatoren zum Ein- und Aussteigen aus Trades verwendet, und demonstrieren den Code zum Importieren von Daten, Berechnen von Indikatoren, Generieren von Ein- und Ausstiegssignalen und Backtesting der Strategie.
  
  
• 00:15:00 Das Video behandelt die Backtesting-Ergebnisse, die aus einer einfachen Strategie im Notebook generiert wurden. Die Strategie basiert auf Ein- und Ausstiegsbedingungen, um systematisch zu handeln, und die Backtesting-Ergebnisse zeigen den Nettogewinn und den kumulierten Gewinn und Verlust. Das Video erwähnt komplexere Strategien wie Iron Condors und die Notwendigkeit, Strategien mithilfe von Papierhandelsszenarien zu testen, bevor sie auf dem Live-Markt eingesetzt werden. Anschließend geht es im Video um die Vor- und Nachteile eines systematischen Optionshandels, einschließlich der Beschaffung von Daten aus einer glaubwürdigen Quelle, der Berücksichtigung von Transaktionskosten und Slippages, der Aufrechterhaltung von Kapitalpuffern und der Implementierung von Stop-Loss-Maßnahmen zur Risikosteuerung.
  
  
• 00:20:00 Der Redner betont die Bedeutung des Risikomanagements beim Optionshandel mithilfe von Strategien wie Stop-Loss und Absicherung. Zu den vier Grundsätzen des Optionshandels gehören Backtesting und Optimierungsstrategien, die Verwendung geeigneter Positionsgrößen und Risikomanagements, die Vereinfachung des Handelssystems und die Einhaltung des Plans. Andererseits sollten Händler es vermeiden, das System zu komplizieren, in die Strategie einzugreifen, zu viel auf eine einzelne Strategie zu setzen und mit liquiden Optionen zu handeln. Der Redner stellt weiterhin einen umfassenden Kurs mit dem Titel „Systematic Options Trading“ vor, der verschiedene Aspekte des systematischen Handels und der Handelsstrategien abdeckt.
  
  
• 00:25:00 Wenn Sie nach einer Alternative zu Yahoo Finance für historische Optionskettendaten suchen, stehen Ihnen einige Optionen zur Verfügung. Eine besteht darin, Brokerplattformen wie TD Ameritrade oder E-Trade zu nutzen, die Zugriff auf historische Optionskettendaten bieten. Eine weitere Möglichkeit besteht darin, Datenanbieter von Drittanbietern wie OptionMetrics oder IvyDB zu nutzen, die gegen eine Gebühr historische Optionsdaten bereitstellen. Es ist wichtig, dass Sie recherchieren und einen zuverlässigen Datenanbieter auswählen, der Ihren Anforderungen entspricht.
  
  
• 00:30:00 Der Redner erörtert die Bedeutung von Datenanbietern für Echtzeitdaten im Optionshandel und betont die Notwendigkeit der Glaubwürdigkeit von Datenquellen. Anschließend beantworten sie eine Frage zum Kursinhalt und geben an, dass die Dateien für das Backtesting von Butterfly-Optionen bereitgestellt werden und dass der Kurs Strategien wie die Butterfly-Strategie, die Iron-Condor-Strategie und Spreads abdeckt. Darüber hinaus erwähnt der Redner, dass der Kurs alles vom Grund- bis zum Fortgeschrittenenniveau abdeckt und ihn somit für diejenigen zugänglich macht, die über ein grundlegendes Verständnis der Optionen verfügen. Abschließend stellen sie klar, dass die technische Analyse als Exit-Tool verwendet wird und dass praktische Kenntnisse darüber zwar hilfreich, aber nicht zwingend erforderlich sind.
  
  
• 00:35:00 Der Referent beantwortet verschiedene Fragen zum systematischen Optionshandelskurs. Der Kurs eignet sich für Einsteiger, die über Grundkenntnisse im Optionshandel verfügen. Die im Kurs verwendeten Daten beziehen sich hauptsächlich auf Nifty 50-Optionen, da es sich um einen auf Indien ausgerichteten Kurs handelt. Die Konzepte können jedoch auch auf US-Optionen angewendet werden, sobald die Daten verfügbar sind. Der Redner gibt auch Ratschläge für einen angehenden Quant-Trader, der an einem Einstieg in HFT-Firmen interessiert ist, und betont dabei die Bedeutung von Programmierkenntnissen.
  
  
• 00:40:00 Der Redner beantwortet Fragen von Zuschauern im Zusammenhang mit der Überschneidung von Führungsprogrammen im algorithmischen Handel mit dem Optionshandel und der Verfügbarkeit von Daten für Backtesting in Python. Sie bieten auch Kriterien für die Einstufung von Optionen als illiquide, wie z. B. ein niedriges offenes Interesse und eine hohe Geld-Brief-Spanne. Der Redner schlägt vor, dass Python die bevorzugte Programmiersprache für Backtesting und die Verwendung von Bibliotheken für technische Indikatoren und maschinelles Lernen ist, aber auch andere Sprachen wie Java können verwendet werden. Sie erwähnen auch, dass BlueShift, das über eine Python-Schnittstelle verfügt, eine weitere Option für Backtesting darstellt.
  
  
• 00:45:00 Testen Sie es einige Monate bis zu einem Jahr lang, um sicherzustellen, dass es auf dem Live-Markt gut funktioniert, bevor Sie Kapital erhöhen oder Änderungen vornehmen. Es ist wichtig, Vertrauen in Ihr System zu haben, bevor Sie es in größerem Maßstab einsetzen. Darüber hinaus kann der Zeitrahmen für Forward-Tests auch von der Häufigkeit der Trades und der spezifischen verwendeten Strategie abhängen. Insgesamt ist es wichtig, vor dem Forward-Testen gründliche Backtests und den Papierhandel durchzuführen und dann das Kapital schrittweise aufzustocken und gleichzeitig die Leistung des Systems zu überwachen.
  
  
• 00:50:00 Der Referent empfiehlt, systematische Optionshandelsstrategien mindestens drei bis vier Monate lang zu testen, um verschiedene Marktszenarien zu erfassen und zu bestimmen, wie die Strategie in jedem einzelnen Szenario abschneidet. Anschließend beantworten sie mehrere Fragen des Publikums, darunter eine zur Automatisierung der Angebots- und Nachfragestrategie und eine weitere dazu, ob der Kurs Strategien abdeckt, die auf der IV-Oberfläche basieren. Sie bieten auch eine kurze Erläuterung der Kalenderverteilungen und schlagen interessierten Lernenden vor, sich an Kursberater zu wenden, um herauszufinden, welcher Kurs für ihre Ziele am besten geeignet ist, z. B. um Quant-Trader zu werden.
  
  
• 00:55:00 Der Referent diskutiert die Möglichkeit, mithilfe eines Algorithmus Swing- oder Umkehrkerzen zu identifizieren. Er erklärt, dass die Fähigkeit dazu davon abhängt, wie gut die Logik auf der Grundlage bestimmter Parameter oder Eigenschaften der Kerze entwickelt ist, beispielsweise Kerzenmuster wie das Hammermuster. Was die Verwendung von C++ im Vergleich zu Python für den Handel betrifft, hängt die Wahl vom Handelszeitraum ab. Python reicht für den Handel über einen längeren Zeitraum aus, während C++ besser für den Handel mit geringer Latenz und hoher Frequenz geeignet ist. Für Neulinge, die sich für den algorithmischen Handel mit Optionen interessieren, schlägt der Redner die quantitativen Ansätze im Futures- und Optionshandel vor, betont aber auch die Relevanz des automatisierten Handels mit Python und Interactive Brokers.
  
  
• 01:00:00 Der Redner schließt das Webinar ab und fordert die Teilnehmer auf, an der Umfrage teilzunehmen, um Feedback zu geben und sicherzustellen, dass alle ihre Fragen beantwortet werden. Er erinnert die Zuschauer an den exklusiven Rabatt, der nur Webinar-Teilnehmern gewährt wird, und schlägt vor, sich die Kursseite anzusehen und die kostenlose Vorschau anzusehen, bevor sie sich für eine Anmeldung entscheiden. Er lädt die Zuschauer außerdem ein, sich mit Kursberatern in Verbindung zu setzen, um weitere Informationen und einen maßgeschneiderten Lernpfad zu erhalten. Abschließend dankt er dem Redner und dem Publikum für ihre Unterstützung und ermutigt sie, Feedback für zukünftige Webinare zu geben.

[MetaQuotes]

Wettbewerbsvorteile im algorithmischen Handel | Algorithmischer Handelskurs

Wettbewerbsvorteile im algorithmischen Handel | Algorithmischer Handelskurs

Während des Webinars ging Nitesh Khandelwal, Mitbegründer und CEO von Quantum City, auf die Bedeutung von Wettbewerbsvorteilen im algorithmischen Handel ein. Er begann mit der Definition, was ein Vorteil ist, und lieferte Beispiele für verschiedene Handelsstrategien. Khandelwal betonte, dass Wettbewerbsvorteile für den Erfolg von Handelsunternehmen von entscheidender Bedeutung seien. Während der Sitzung erlangten die Zuschauer ein umfassendes Verständnis der breiten Vorteile, die Handelsunternehmen erlangen können, und der spezifischen Vorteile, die für verschiedene Arten von Strategien relevant sind.

Khandelwal stellte QuantInsti vor, seine Organisation mit der Mission, ein Ökosystem zu schaffen, das systematischen Handel und Investitionen weltweit ermöglicht und stärkt. Er hob mehrere Initiativen hervor, darunter das führende Zertifizierungsprogramm Quantra, die Forschungs- und Handelsplattform Blue Shift und Unternehmenspartnerschaften in 20 Ländern. Indem er diese Initiativen vorstellte, zeigte der Redner das Engagement von QuantInsti für seine Mission.

Anschließend erörterte der Redner den Wettbewerbsvorteil aus geschäftlicher Sicht und definierte ihn als einen Vorteil, den ein Unternehmen gegenüber seinen Konkurrenten hat. Um dieses Konzept zu veranschaulichen, erwähnte er renommierte Unternehmen wie Apple, Google, Tesla, JP Morgan und Goldman Sachs und forderte das Publikum auf, über ihren möglichen Wettbewerbsvorteil nachzudenken.

Als nächstes befasste sich Khandelwal mit Wettbewerbsvorteilen, insbesondere im algorithmischen Handel. Er skizzierte verschiedene Quellen für Wettbewerbsvorteile, darunter proprietäre Technologie, Rechte an geistigem Eigentum, einzigartige Produkte oder Dienstleistungen, Spitzentechnologie, starke Unternehmenskultur und Zugang zu bestimmten Ressourcen oder Ökosystemen. Im Zusammenhang mit dem algorithmischen Handel erklärte er, dass es dabei um die Platzierung von Aufträgen geht, die auf bestimmten Logiken oder Bedingungen basieren, die automatisiert oder manuell verwaltet werden können. Der Einsatz von Algorithmen im Handel verschafft einen Wettbewerbsvorteil, indem er eine schnellere Datenverarbeitung, effiziente Suchfunktionen und verbesserte Benutzeroberflächen oder Abläufe ermöglicht. Der Redner nannte RenTech als Beispiel für ein Unternehmen, das durch sein geistiges Eigentum und seine Systeme im Bereich des algorithmischen Handels erhebliche Vorteile erlangt hat.

Die Diskussion verlagerte sich dann auf die Klassifizierung von Handelsstrategien. Khandelwal kategorisierte Anlage- oder Handelsstile allgemein als quantitativ, technisch oder fundamental. Er kategorisierte die zugrunde liegende Handelsansicht oder den zugrunde liegenden Handelsfaktor außerdem als Trend, Mean Reverting oder Ereignisbasiert. Anschließend erläuterte er 15 wichtige Unterschiede und Wettbewerbsvorteile in der Welt des Handels, darunter Strategien wie Momentum-Handel, statistische Arbitrage, Value-Investing, Breakout-Handel, Carry-Handel und ereignisbasierte Systeme. Der Redner betonte, dass einige dieser Systeme hochgradig automatisiert seien, während andere eine eher diskretionäre Entscheidungsfindung erfordern.

Khandelwal ging auf die Bedeutung der Geschwindigkeit als Wettbewerbsvorteil im algorithmischen Handel ein und betonte die Notwendigkeit, die Latenz in allen Aspekten des Handels, einschließlich der Übertragungs- oder Netzwerklatenz, zu reduzieren. Er erklärte, dass das Erreichen einer geringeren Latenz die gemeinsame Unterbringung oder Platzierung von Systemen in nahegelegenen Rechenzentren in der Nähe der Vermittlungsstelle erfordert, um die Zeit zu minimieren, die für die Datenübertragung benötigt wird. Nach der Optimierung der Übertragungslatenz können weitere Verbesserungen an der Hardware- und Software-Infrastruktur des algorithmischen Handelssystems vorgenommen werden, um die Zeit zu verkürzen, die Daten benötigen, um die Börse zu erreichen. Der Redner betonte, dass das Alpha umso bedeutender sei, je schneller das Handelssystem sei, was für Hochfrequenzhandelsunternehmen von entscheidender Bedeutung sei.

Die Diskussion erstreckte sich auf andere Wettbewerbsvorteile im algorithmischen Handel, etwa die Qualität der Daten und den Zugang zu alternativen Datenquellen wie Satellitenbildern zur Bedarfsermittlung. Khandelwal betonte die Bedeutung einer Strategieinfrastruktur, die Ideen effizient in umsetzbare Maßnahmen umwandelt. Er erwähnte auch die Vorteile umfassender Recherchemöglichkeiten, fortschrittlicher Preismodelle und des Zugangs zu verschiedenen Märkten über Broker oder Prime Broker. Während der gesamten Präsentation betonte der Redner die Bedeutung eines einzigartigen Wettbewerbsvorteils für den Erfolg im algorithmischen Handel.

Ein angesprochenes Thema war das Konzept des „Last Look“ im Devisenhandel, bei dem der Market Maker das letzte Wort über die Annahme eines Handels hat, nachdem sich Käufer und Verkäufer auf einen Preis geeinigt haben. Dieser bevorzugte Zugang stellt einen erheblichen Vorteil im Handel dar. Darüber hinaus betonte Khandelwal die Bedeutung eines reibungslosen Backoffice und eines ordnungsgemäßen Risikomanagements als Rechenvorteile, da sie Händlern helfen, erhebliche Verluste zu vermeiden. Er betonte auch den Vorteil des Zugangs zu Geldern ohne sofortige Zahlung, was Flexibilität im Handel biete.

Darüber hinaus erörterte der Redner die Wettbewerbsvorteile, die Finanzinstitute und Händler im algorithmischen Handel haben können. Er identifizierte die niedrigen Finanzierungskosten und den unmittelbaren Zugang zu Handelsschaltern als einen großen Vorteil der Banken. Ein weiterer Vorteil ist eine Steuerstruktur, die die Kapitalertragssteuer effektiv auf Null senkt. Der Zugang zu Informationen, Nachrichten und regulatorischen Änderungen stellt ebenfalls einen erheblichen Vorteil dar. Schließlich verschafft geistiges Eigentum, einschließlich einzigartiger Strategien, Hardware- und Softwareverbesserungen sowie proprietärer Prozesse, Händlern einen erheblichen Vorteil gegenüber ihrer Konkurrenz.

Khandelwal führte die Diskussion fort und hob neun Wettbewerbsvorteile hervor, die zum Erfolg und schnellen Wachstum von Händlern beitragen können. Zu diesen Vorteilen gehören Prozess-Know-how, Patente, Fähigkeiten, engagierte Teams und Kontinuität. Der Besitz eines oder mehrerer dieser Vorteile kann für Händler eine solide Grundlage sein, um auf dem Markt erfolgreich zu sein. Anschließend erläuterte der Redner die relevanten Vorteile für bestimmte Strategien wie Paarhandel und Hochfrequenz-Market-Making, einschließlich Faktoren wie Geschwindigkeit, Marktdaten, Strategieinfrastruktur, Backoffice-Risikomanagement, Finanzierungskosten und geistiges Eigentum.

Der Redner unterstrich die Bedeutung der Identifizierung und des Erwerbs spezifischer Vorteile, die für die eigene Handelsstrategie relevant sind. Das Verständnis der Arten von Vorteilen, die zur gewählten Strategie passen, ist von entscheidender Bedeutung, da sich Händler so auf den Erwerb und die Nutzung der richtigen Vorteile konzentrieren können. Khandelwal betonte auch die Bedeutung eines effektiven Risikomanagements und erwähnte den Einsatz ihrer proprietären Risikomanagement-Tools.

Um regulatorische Herausforderungen zu meistern, schlug der Redner vor, mit den Ressourcen der Regulierungsbehörde zu beginnen, wie etwa deren FAQs oder dem Abschnitt mit häufig gestellten Fragen, die wertvolle Erkenntnisse liefern können. Abschließend ermutigte Khandelwal die Zuschauer, das EPAT-Programm für diejenigen in Betracht zu ziehen, die daran interessiert sind, ihr eigenes algorithmisches Trading Desk einzurichten oder eine Karriere im quantitativen Handel anzustreben.

Während der Frage-und-Antwort-Runde beantwortete der Redner verschiedene Fragen des Publikums zu Themen, die von Vorschriften bis hin zu spezifischen Handelsstrategien wie der Short-Gamma-Strategie reichten. Er betonte die Bedeutung der Marktmikrostruktur und stellte Dr. Robert Kissel vor, ein neues Fakultätsmitglied mit umfassender Erfahrung auf diesem Gebiet. Khandelwal antwortete auch auf eine Frage zur Anwendung von Data Science im Handel und betonte, dass Data Science vielfältige Anwendungen hat, die über maschinelles Lernen oder Datenanalyse hinausgehen. Er empfahl, über ein grundlegendes Verständnis von Statistik und Finanzmärkten zu verfügen, um das Potenzial der Datenwissenschaft im Handel voll auszuschöpfen.

Darüber hinaus diskutierte der Redner die Anwendungsfälle des maschinellen Lernens im algorithmischen Handel, einschließlich der Vorhersage von Markttrends, dem Management von Risiken und der Erkennung von Regimen zur Bestimmung geeigneter Strategien. Er räumte ein, dass Automatisierung bis zu einem gewissen Grad dazu beitragen kann, psychologische Aspekte des Handels zu überwinden, aber letztendlich führt ein systematischer Ansatz, mit oder ohne Automatisierung, zum Erfolg. Khandelwal rät denjenigen, die sich nicht mit Programmieren auskennen, zunächst mit kostenlosen Ressourcen zu beginnen, um das Programmieren zu erlernen und ihr Interesse abzuschätzen, bevor sie sich vollständig dem algorithmischen Handel widmen.

Im letzten Abschnitt konzentrierte sich Khandelwal auf Programmiertools, die im algorithmischen Handel verwendet werden. Er betonte, dass die Erstellung von Software zum Herstellen einer Verbindung zum Austausch und zum Dekodieren von Daten normalerweise in C++ oder sogar direkt auf der Hardware erfolgt. Für die Strategieentwicklung wird jedoch häufig Python verwendet, sofern nicht der Hochfrequenzhandel im Vordergrund steht, der eine Auftragsabwicklung in Mikrosekunden erfordert. Der Redner ermutigte die Teilnehmer, ihre unbeantworteten Fragen aus Zeitgründen per E-Mail zu senden.

Nitesh Khandelwal hielt einen aufschlussreichen Vortrag über das Konzept der Wettbewerbsvorteile im algorithmischen Handel. Er vermittelte ein umfassendes Verständnis der verschiedenen Arten von Edges, Handelsstrategien und der Bedeutung der Erlangung relevanter Vorteile für den Erfolg auf dem dynamischen Handelsmarkt.

• 00:00:00 Nitesh Khandelwal, Mitbegründer und CEO von Quantum City, diskutiert die Bedeutung von Wettbewerbsvorteilen im algorithmischen Handel. Er definiert, was ein Vorteil ist, und liefert Beispiele für verschiedene Arten von Handelsstrategien. Khandelwal betont die Bedeutung von Wettbewerbsvorteilen für Handelsunternehmen, wenn diese erfolgreicher werden. Durch diese Sitzung erhalten die Zuschauer ein Verständnis für die großen Vorteile, die Handelsunternehmen erlangen, und für die relevanten Vorteile für verschiedene Arten von Strategien.
  
  
• 00:05:00 Der Redner spricht über das Konzept des Wettbewerbsvorteils im algorithmischen Handel und wie wichtig es ist, relevante Vorteile zu haben, um auf dem Handelsmarkt erfolgreich zu sein. Der Redner erzählt von ihrer Organisation QuantInsti, deren Mission es ist, ein Ökosystem zu schaffen, um die Welt für systematischen Handel und Investitionen zu ermöglichen und zu befähigen. Sie haben mehrere Initiativen, die sich auf diese Mission konzentrieren, darunter ein führendes Zertifizierungsprogramm, Quantra, eine Forschungs- und Handelsplattform namens Blue Shift und Unternehmenspartnerschaften in 20 Ländern. Anschließend diskutieren sie den Wettbewerbsvorteil aus geschäftlicher Sicht und definieren ihn als die Tatsache, dass ein Unternehmen einen Vorteil gegenüber seinen Konkurrenten hat. Sie heben Beispiele wie Apple, Google, Tesla, JP Morgan und Goldman Sachs hervor und bitten das Publikum, ihre Gedanken mitzuteilen wie groß ihr Wettbewerbsvorteil sein könnte.
  
  
• 00:10:00 Der Redner diskutiert Wettbewerbsvorteile im algorithmischen Handel. Wettbewerbsvorteile können aus einer proprietären Technologie oder geistigen Eigentumsrechten, einem einzigartigen Produkt oder einer einzigartigen Dienstleistung, Hightech-Technologie, einer guten Unternehmenskultur und dem Zugang zu bestimmten Ressourcen oder Ökosystemen resultieren. Insbesondere beim algorithmischen Handel geht es darum, Aufträge auf der Grundlage bestimmter Logiken oder Bedingungen einzugeben, die automatisiert oder manuell verwaltet werden können. Der Einsatz von Algorithmen im Handel ist das, was den algorithmischen Handel ausmacht, und er kann Händlern einen Wettbewerbsvorteil verschaffen, indem er ihnen ermöglicht, Daten schneller zu verarbeiten, effizienter zu suchen und über bessere Benutzeroberflächen oder Abläufe zu verfügen. RenTech ist ein Beispiel für ein Unternehmen, das durch sein geistiges Eigentum und seine Systeme im Bereich des algorithmischen Handels erhebliche Vorteile erlangt hat.
  
  
• 00:15:00 Der Referent erklärt die verschiedenen Strategien, die in der Welt des Handels eingesetzt werden, und wie sie kategorisiert werden können. Der Redner klassifiziert den Anlage- oder Handelsstil im Großen und Ganzen als quantitativ, technisch oder fundamental und die zugrunde liegende Handelsansicht oder den zugrunde liegenden Handelsfaktor als trendorientiert, zum Mittelwert zurückkehrend oder ereignisbasiert. Anschließend erklärt der Redner die 15 wichtigsten Segregationen und Wettbewerbsvorteile in der Welt des Handels, wie Momentum, statistische Arbitrage, Value Investing, Breakout, Carry und ereignisbasierte Systeme. Der Redner erwähnt auch, dass einige dieser Systeme stark automatisiert sind, während andere eher diskretionär sind.
  
  
• 00:20:00 Der Referent diskutiert die Bedeutung der Geschwindigkeit als Wettbewerbsvorteil im algorithmischen Handel. Ziel ist es, die Latenz in allen Aspekten des Handels zu reduzieren, einschließlich der Übertragungs- oder Netzwerklatenz. Dies bedeutet, dass die Zeit, die Daten für die Übertragung von einem Punkt zum anderen benötigen, verkürzt wird, indem Systeme in Co-Location- oder Proximity-Rechenzentren in der Nähe der Vermittlungsstelle untergebracht werden. Nach der Reduzierung der Latenz in der Übertragungsphase können weitere Verbesserungen an der Hardware- und Software-Infrastruktur des algorithmischen Handelssystems vorgenommen werden, um die Zeit zu verkürzen, die die Daten benötigen, um die Börse zu erreichen. Der Redner betont, dass das Alpha umso bedeutender ist, je schneller das Handelssystem ist, was für Hochfrequenzhandelsunternehmen von entscheidender Bedeutung ist.
  
  
• 00:25:00 Der Redner erörtert verschiedene Wettbewerbsvorteile im algorithmischen Handel, darunter die Qualität der Daten und den Zugang zu alternativen Datenquellen, wie zum Beispiel Satellitenbildern zur Bedarfsermittlung. Darüber hinaus ist eine Strategieinfrastruktur, die Ideen effizient in umsetzbare Maßnahmen umwandelt, entscheidend für den Erfolg. Weitere Vorteile sind die Möglichkeit, umfangreiche Recherchen durchzuführen, fortschrittliche Preismodelle zu nutzen und über Broker oder Prime Broker Zugang zu verschiedenen Märkten zu erhalten. Insgesamt betont der Redner, wie wichtig es ist, einen einzigartigen Wettbewerbsvorteil zu haben, um im algorithmischen Handel erfolgreich zu sein.
  
  
• 00:30:00 Der Redner diskutiert das Konzept des „Last Look“ im Devisenhandel, bei dem der Market Maker das letzte Wort darüber hat, ob er einen Handel annimmt, nachdem sich Käufer und Verkäufer auf einen Preis geeinigt haben. Dieser bevorzugte Zugang kann einen erheblichen Vorteil im Handel darstellen. Darüber hinaus wird ein reibungsloses Backoffice und ein ordnungsgemäßes Risikomanagement auch als Rechenvorteil angesehen, da es Händlern hilft, große Verluste zu vermeiden. Schließlich ist die Möglichkeit, jederzeit Zugriff auf Geld zu haben, ohne dafür bezahlen zu müssen, es sei denn, es wird benötigt, einen erheblichen Vorteil beim Handel.
  
  
• 00:35:00 Der Redner diskutiert verschiedene Wettbewerbsvorteile, die Finanzinstitute und Händler im algorithmischen Handel haben können. Der erste Vorteil sind die niedrigen Finanzierungskosten und der sofortige Zugang zu den Handelsschaltern, den Banken genießen. Die zweite besteht darin, eine Steuerstruktur zu haben, die die Kapitalertragssteuer effektiv auf Null senkt. Der dritte Vorteil ist der Zugang zu Informationen und Nachrichten sowie zu regulatorischen Änderungen. Der vierte Vorteil ist geistiges Eigentum, beispielsweise einzigartige Strategien, Verbesserungen an Hardware und Software sowie proprietäre Prozesse. Diese Vorteile sind schwer zu überwinden und verschaffen den Händlern einen erheblichen Vorteil gegenüber ihrer Konkurrenz.
  
  
• 00:40:00 Der Redner erörtert die Wettbewerbsvorteile im algorithmischen Handel und wie diese für Händler einen erheblichen Vorteil darstellen können. Er nennt neun Wettbewerbsvorteile, darunter Prozess-Know-how, Patente, Fähigkeiten, engagiertes Team und Kontinuität. Eine oder mehrere dieser Kanten zu haben, kann ein guter Anfang sein
  Händler können in rasender Geschwindigkeit gedeihen und wachsen. Anschließend skizziert er die relevanten Vorteile für eine bestimmte Strategie, wie z. B. Paarhandel und Hochfrequenz-Market-Making, einschließlich Geschwindigkeit, Marktdaten, Strategieinfrastruktur, Back-Office-Risiko, Finanzierungskosten und geistiges Eigentum.
  
  
• 00:45:00 Der Referent betont, wie wichtig es ist, spezifische Vorteile zu identifizieren und zu erwerben, die für die eigene Handelsstrategie relevant sind. Die Arten von Kanten variieren je nach verwendeter Strategie. Daher ist es wichtig zu verstehen, was relevant ist und wie man diese Kanten erhält. Der Redner erwähnt auch die Bedeutung des Risikomanagements und weist darauf hin, dass das Unternehmen eigene Risikomanagement-Tools verwendet. Im Hinblick auf die Bewältigung regulatorischer Herausforderungen schlägt der Redner vor, mit der Regulierungsbehörde und ihren FAQs bzw. dem Abschnitt mit häufig gestellten Fragen zu beginnen. Abschließend ermutigt der Redner die Zuschauer, das EPAT-Programm für diejenigen in Betracht zu ziehen, die daran interessiert sind, einen eigenen Algo-Trading-Desk zu eröffnen oder eine Karriere im quantitativen Handel anzustreben.
  
  
• 00:50:00 Der Referent diskutiert Fragen des Publikums zu verschiedenen Themen rund um den algorithmischen Handel. Die Fragen reichen von Vorschriften über Short-Gamma-Strategien bis hin zum Aufbau eines algorithmischen Handelsgeschäfts. Der Redner betont auch die Bedeutung der Marktmikrostruktur und erwähnt das neue Fakultätsmitglied, Dr. Robert Kissel, der über mehr als 25 Jahre Erfahrung in diesem Bereich verfügt. Der Redner geht auch auf eine Frage zur Anwendung von Data Science im Handel ein und stellt fest, dass Data Science vielfältige Anwendungsmöglichkeiten hat und es nicht nur um den Einsatz von maschinellem Lernen oder Datenanalyse geht. Um das Programm optimal nutzen zu können, werden Grundkenntnisse in Statistik und Finanzmärkten empfohlen.
  
  
• 00:55:00 Der Redner diskutiert die verschiedenen Anwendungsfälle des maschinellen Lernens im algorithmischen Handel, einschließlich der Vorhersage von Markttrends, dem Management von Risiken und der Erkennung von Regimen, um zu verstehen, welche Strategien verwendet werden sollten. Sie sprechen auch die Automatisierung an und wie sie bis zu einem gewissen Grad dabei hilft, die psychologischen Aspekte des Handels zu überwinden, aber ein systematischer Ansatz mit oder ohne Automatisierung führt letztendlich zum Erfolg. Der Redner rät denjenigen, die schlecht im Programmieren sind, nicht direkt in den algorithmischen Handel einzusteigen, sondern stattdessen mit kostenlosen Ressourcen zu beginnen, um das Programmieren zu erlernen und ihr Interesse zu testen, bevor sie sich diesem Bereich widmen.
  
  
• 01:00:00 Nitesh Khandelwal diskutiert die Programmiertools, die im algorithmischen Handel verwendet werden, und betont, dass die Erstellung von Software für die Verbindung mit der Börse zum Dekodieren von Daten im Allgemeinen in C++ oder sogar direkt auf der Hardware erfolgt. Aus strategischer Sicht kann Python jedoch eingesetzt werden, es sei denn, der Fokus liegt auf Hochfrequenzhandel, der eine Auftragsabwicklung in nur wenigen Mikrosekunden erfordert. Khandelwal empfiehlt den Teilnehmern außerdem, ihre Fragen an ihre E-Mail-Adresse zu senden, wenn sie aufgrund der begrenzten Zeit unbeantwortet bleiben.

[MetaQuotes]

Fragen Sie mich alles: Stimmungsanalyse und alternative Daten im Handel

Fragen Sie mich alles: Stimmungsanalyse und alternative Daten im Handel

Das Webinar begann damit, dass der Gastgeber drei Diskussionsteilnehmer vorstellte, die Teil der Fakultät für „Certificate in Sentiment Analysis and Alternative Data for Finance“ (CSAF) sind. Der CSAF ist ein umfassender Kurs für Fachleute in der Finanzbranche, der verschiedene Aspekte des Handels, der Investitionsentscheidung und der Nachrichtenanalyse abdeckt. Zu den Diskussionsteilnehmern gehörten Professorin Christina Alvanoudi-Schorn, Professor Gautam Mitra und Dr. Pete Black, die jeweils bemerkenswerte Hintergründe und Fachkenntnisse im Finanzbereich mitbrachten. Die Sitzung bot außerdem Informationen über CSAF und seine Vorteile sowie kurze Einführungen in Unicom, Opturisk Systems und Contingency.

Nach den Einführungen erklärten die Referenten das Format der „Ask me everything“ (AMA)-Sitzung. Sie erwähnten, dass die aus verschiedenen Ländern eingegangenen Fragen zusammengefasst und in vier Kategorien sortiert worden seien: Stimmungsanalyse, alternative Daten, Karrieremöglichkeiten und andere Fragen. Obwohl sie sich zum Ziel gesetzt hatten, alle Fragen zu beantworten, räumten sie ein, dass es aus Zeitgründen möglicherweise nicht möglich sei, alle Fragen zu beantworten.

Der erste Fragenkomplex konzentrierte sich auf die Stimmungsanalyse und den Handel. Die Referenten verwiesen auf einen Aufsatz von Professor Peter Tetlock aus dem Jahr 2007, der das Gebiet initiierte. Sie diskutierten das Konzept der Stimmungsanalyse im Handel und erklärten, wie Stimmungen positive oder negative Werte zugewiesen werden können, bevor sie sich auf die Vermögenspreise auf dem Markt auswirken. Sie verwiesen auf Handbücher zu Nachrichtenanalysen und Finanzen sowie zur Stimmungsanalyse im Finanzwesen als wertvolle Ressourcen für diejenigen, die sich für das Thema interessieren. Auch die Bedeutung der Analyse nicht nur von Wörtern, sondern auch der Semantik der Informationspräsentation wurde betont, wie Professor Stephen Pullman aus Oxford hervorhob. Professorin Christina Alvanoudi-Schorn übernahm die Beantwortung spezifischer Fragen im Zusammenhang mit der Implementierung der Stimmungsanalyse und ihren breiten Anwendungen in der Finanzbranche, wie z. B. Vermögensallokation, Portfoliooptimierung und Kreditrisikoanalyse.

Anschließend diskutierten die Referenten den Einsatz von Python und Techniken des maschinellen Lernens zur Stimmungsanalyse und Vorhersage von Marktbewegungen. Sie erwähnten, dass Python aufgrund seiner Verfügbarkeit bekannter Pakete für Stimmungsanalysen und Finanzmarktanwendungen häufig verwendet wird. Sie gingen auch auf die Ableitung der Stimmung aus Festzins- und Open-Interest-Daten ein und wie sich die Marktstimmung auf die Optionspreise auswirkt. Sie stellten fest, dass die Zeitverzögerung zwischen Marktankündigungen und Datenverarbeitung den Händlern einen Vorteil bei der Information über ihre Handelsstrategien verschafft.

Als Übergang zum Thema alternativer Daten erläuterten die Referenten, wie sich damit im Vergleich zu herkömmlichen Datenquellen Unternehmensumsätze in einem viel kürzeren Zeitrahmen vorhersagen lassen. Alternative Daten umfassen verschiedene Quellen, darunter E-Mail- und Kreditkartendaten sowie Satelliten- und Drohnenbilder und Geolokalisierungsdaten von Mobiltelefonen. Sie betonten, dass die Stimmungsanalyse auch auf alternative Daten aus sozialen Medien angewendet werden kann und Erkenntnisse über positive oder negative Ansichten von Händlern zu einzelnen Aktien liefert. Ziel ist es, mithilfe alternativer Daten zukünftige Erträge oder Umsätze vorherzusagen und so profitable Investitionsentscheidungen zu treffen.

Die Redner erwähnten in der Vorlesung „Grundlagen alternativer Daten“ eine bevorstehende Anwendungsfallstudie zur Verwendung von E-Commerce-Belegen zur Vorhersage des Umsatzes von Produkten und Herstellern, die auf Amazon verkauft werden. Sie verwiesen auf eine interessante Studie eines Kollegen, der Quittungen von Walmart und einem Pizzaunternehmen nutzte, um Veränderungen bei deren Umsätzen vorherzusagen. Sie diskutierten auch andere Fallstudien, beispielsweise diejenige mit einem Terabyte an Open-Source-Nachrichtendaten von Google namens GDELT. Es wurden verschiedene Quellen alternativer Daten aufgeführt, was das schnelle Wachstum der Datenvermittlung verdeutlicht.

Im weiteren Verlauf diskutierten die Referenten Compliance-Fragen und Datenethik im Zusammenhang mit der Erfassung und Nutzung alternativer Daten im Handel. Sie betonten, wie wichtig es sei, auf den Datenschutz zu achten und sicherzustellen, dass in den erfassten Daten keine personenbezogenen Daten (PII) enthalten seien. Auch die ethischen Überlegungen von Datenerfassungsstrategien wurden hervorgehoben. In Bezug auf die Sentimentanalyse verglichen sie sie mit der Alchemie, bei der das Ziel darin besteht, anhand alternativer Daten erfolgreiche Strategien zu finden, wobei gleichzeitig darauf hingewiesen wird, dass die Wertigkeit der Verfolgung beurteilt werden muss.

Anschließend wurden Karrieremöglichkeiten auf dem Finanzmarkt erkundet, insbesondere für Personen mit fortgeschrittenen Programmier- und Softwaretechnologiekenntnissen. Der Redner erwähnte die Herausforderungen bei der Umwandlung quantitativer und KI-Modelle des maschinellen Lernens in Anwendungen mit lohnender Umsetzung. Sie schlugen vor, dass Fachleute, die bereits in der Finanzbranche tätig sind und über traditionelle Qualifikationen wie CFA oder FRM verfügen, neue Bereiche im sich entwickelnden Finanzmarkt erkunden sollten, wo große Player wie Informationsanbieter neue Möglichkeiten bieten. Der Redner riet auch davon ab, allzu ehrgeizige Forschungsziele zu setzen, um zu vermeiden, dass am Ende keine greifbaren Ergebnisse erzielt werden.

Der Zusammenhang zwischen KI- und maschinellem Lerntalent in Hedgefonds und deren Renditen wurde diskutiert. Unter Bezugnahme auf eine Forschungsarbeit der Georgia State University wurde festgestellt, dass Hedgefonds mit KI- und maschinellen Lernfähigkeiten auf Senior- oder Junior-Ebene etwa 2,8 % jährliches Alpha erzielen können, was es zu einer großartigen Karrierechance für Personen macht, die in der Lage sind, zusätzliche Renditen zu erzielen. Die Redner hoben die verschiedenen Karrieremöglichkeiten hervor, die sich bei alternativen Anlagen mit KI bieten, etwa bei der Aktienauswahl oder der Unterstützung von Banken bei der Zeichnung von Kreditkarten und Hypotheken. Sie erwähnten Programme wie CAIA Charter und Financial Data Professional, die Schulungen zu KI- und maschinellen Lerntechniken sowie Datenethik für Finanzmärkte anbieten, und ermutigten Studenten, sich in der Branche frei werdende Stellen im Bereich Datenwissenschaft anzustreben.

Professorin Christina Alvanoudi-Schorn betonte, wie wichtig es ist, den Datensatz und die Stimmungsdaten zu verstehen und die Ergebnisse von Algorithmen für maschinelles Lernen zu interpretieren, wenn man eine Karriere im Finanzwesen anstrebt. Sie stellte fest, dass Data Science nicht auf das Finanzwesen beschränkt ist, sondern in fast jedem Unternehmen zu finden ist. Sie wies jedoch auf die Fülle offener Stellen im Finanzbereich hin, insbesondere in Bezug auf Stimmungsanalysen und alternative Daten. Für diejenigen, die sich für den algorithmischen Handel interessieren und über Python-Kenntnisse und Prognosefähigkeiten verfügen, erwähnte sie die Verfügbarkeit von Büchern, die ihnen den Einstieg erleichtern. Der von ihr besprochene Kurs umfasste neun Grundlagenvorträge, von denen sich drei mit alternativen Daten befassten, und zwölf Anwendungsfallvorträge, die von Branchenpraktikern gehalten wurden.

Die Referenten gingen auf die Frage ein, ob AFL oder Python besser für den Handel geeignet sind. AFL, das für Amy Broker Formula Language steht, wurde von einem ehemaligen Journalisten entwickelt und bietet eine Sprache zur schnellen Umsetzung technischer Analysen. Sie erkannten zwar den Nutzen von AFL an, empfahlen jedoch Python für eine tiefergehende Analyse und Strategieumsetzung. Sie betonten auch, wie wichtig es sei, verschiedene Tools und Techniken zu nutzen, um fundierte Geschäfte zu tätigen und Risiken zu managen. Auch wenn kein Allheilmittel den Handelserfolg garantiert, können selbst geringfügige Verbesserungen der Wahrscheinlichkeit zu erheblichen Gewinnen führen.

Der Professor und seine Kollegen diskutierten die Bedeutung der Verwendung sowohl von Marktdaten als auch von Stimmungsdaten bei der Konstruktion von Handelsmodellen. Marktdaten spiegeln die Realität von Handels- oder Anlageportfolios wider, während Stimmungsdaten aus Quellen wie Microblogs und Google-Suchen zusätzliche Informationen für die Vorhersage von Marktbewegungen liefern. Sie schlugen die Verwendung quantitativer Modelle oder KI-Modelle für maschinelles Lernen zur Erstellung von Vorhersagen vor, betonten jedoch die Bedeutung von Ensembles oder Abstimmungssystemen für die Erzielung eines Konsenses. Die Redner zeigten sich begeistert von der Arbeit an Stimmungsanalyseprojekten und der Bereitstellung von Aufklärung zu diesem Thema durch Webinare. Sie ermutigten die Teilnehmer, Fragen per E-Mail einzusenden, um künftige Antworten zu erhalten.

Zum Abschluss des Webinars erhielten die Teilnehmer wertvolle Einblicke in Stimmungsanalysen, alternative Daten, Karrieremöglichkeiten und das Zusammenspiel von KI, maschinellem Lernen und Finanzen. Das Fachwissen und die Erfahrungen der Diskussionsteilnehmer boten einen umfassenden Überblick über das Fachgebiet und vermittelten dem Publikum ein tieferes Verständnis dafür, wie Stimmungsanalysen und alternative Daten die Entscheidungsfindung in der Finanzbranche beeinflussen können.

• 00:00:00 Der Webinar-Moderator stellt drei Diskussionsteilnehmer vor, die Teil der CSAF-Fakultät (Certificate in Sentiment Analysis and Alternative Data for Finance) sind, und lädt sie zur AMA-Sitzung ein. Der CSAF ist ein umfassender Kurs für Fachleute aus der Finanzbranche, der verschiedene Aspekte des Handels, der Investitionsentscheidung und der Nachrichtenanalyse abdeckt. Die drei Diskussionsteilnehmer sind Professorin Christina Alvanoudi-Schorn, Professor Gautam Mitra und Dr. Pete Black, alle mit einem bemerkenswerten Hintergrund und Fachwissen im Finanzbereich. Die Sitzung umfasst außerdem Informationen über CSAF und seine Vorteile sowie eine kurze Einführung in Unicom, Opturisk Systems und Contingency.
  
  
• 00:05:00 Die Moderatoren stellen sich vor und erklären das Format der „Ask me everything“-Sitzung. Die aus verschiedenen Ländern eingegangenen Fragen wurden zusammengefasst und in vier Kategorien einsortiert: Stimmungsanalyse, alternative Daten, Karrieremöglichkeiten und andere Fragen. Sie werden versuchen, alle Fragen zu beantworten, können aber möglicherweise nicht in der vorgegebenen Zeit auf alles eingehen. Die ersten Fragen zur Stimmungsanalyse und zum Handel werden behandelt, und die Referenten verweisen auf einen Artikel von Professor Peter Tetlock aus dem Jahr 2007, der den Anfang dieses Fachgebiets machte.
  
  
• 00:10:00 Der Redner diskutiert das Konzept der Stimmungsanalyse im Handel und wie Stimmungen positive oder negative Werte zugewiesen werden können, bevor sich die Preise von Vermögenswerten auf dem Markt ändern. Der Redner verweist auf Handbücher zu den Themen Nachrichtenanalyse und Finanzen sowie Sentiment Answers Finance als nützliche Ressourcen für diejenigen, die sich für Sentimentanalysen interessieren. Der Redner erwähnt auch, wie wichtig es ist, nicht nur Wörter zu analysieren, sondern auch die Semantik der Art und Weise, wie Informationen präsentiert werden, wie Professor Stephen Pullman aus Oxford betonte. Anschließend übergibt die Rednerin ihre Kollegin Christina, um einige Fragen zur Implementierung der Stimmungsanalyse und ihren breiten Anwendungen in der Finanzbranche zu beantworten, einschließlich Vermögensallokation, Portfoliooptimierung und Kreditrisikoanalyse.
  
  
• 00:15:00 Der Redner diskutiert den Einsatz von Python und maschinellen Lerntechniken zur Durchführung von Stimmungsanalysen und zur Vorhersage von Marktbewegungen. Sie erwähnen, dass Python eine häufig verwendete Sprache ist, da sie bekannte Pakete für Stimmungsanalysen und Finanzmarktanwendungen bietet. Der Redner geht auch auf die Möglichkeit ein, die Stimmung aus Festzins- und Open-Interest-Daten abzuleiten und wie sich die Marktstimmung auf die Optionspreisgestaltung auswirkt. Sie weisen darauf hin, dass die Verzögerung zwischen Marktankündigungen und Datenverarbeitung ein Vorteil ist, den Händler für ihre Handelsstrategien nutzen können.
  
  
• 00:20:00 Die Referenten gehen zur Diskussion alternativer Daten über und wie sie verwendet werden können, um den Umsatz von Unternehmen in einem viel kürzeren Zeitrahmen als mit herkömmlichen Daten vorherzusagen. Zu den alternativen Datenquellen gehören beispielsweise E-Mail- und Kreditkartendaten sowie Satelliten- und Drohnenbilder und Geolokalisierungsdaten von Mobiltelefonen. Die Stimmungsanalyse kann auch auf alternative Daten aus sozialen Medien angewendet werden und dabei helfen, Erkenntnisse über positive oder negative Ansichten von Händlern zu einzelnen Aktien zu gewinnen. Ziel ist es, mithilfe alternativer Daten zukünftige Erträge oder Umsätze vorherzusagen, um profitable Investitionsentscheidungen zu treffen.
  
  
• 00:25:00 Der Redner spricht über die bevorstehende Anwendungsfallstudie in der Vorlesung „Grundlagen alternativer Daten“, in der Christina und der Redner die Verwendung von E-Commerce-Belegen zur Vorhersage des Umsatzes von auf Amazon verkauften Produkten und Herstellern diskutieren werden. Der Redner erwähnt eine interessante Studie eines ihrer Kollegen, die Quittungen von Walmart und einem Pizzaunternehmen nutzte, um Veränderungen in ihren Umsätzen vorherzusagen. Sie erwähnen auch andere Fallstudien, darunter eine über ein Terabyte an von Google bereitgestellten Open-Source-Nachrichtendaten namens GDELT. Abschließend listet der Redner verschiedene Quellen alternativer Daten auf und stellt fest, dass die Datenvermittlung zu einem schnell wachsenden Geschäft geworden ist.
  
  
• 00:30:00 Die Referenten diskutieren alternative Daten im Handel. Sie weisen darauf hin, wie wichtig es ist, nicht nur Daten aus verschiedenen Quellen zu beziehen, sondern auch die Compliance-Fragen bei der Beschaffung und Übermittlung dieser Daten zu berücksichtigen. Sie betonen den manchmal übersehenen datenethischen Aspekt, sicherzustellen, dass keine personenbezogenen Daten (PII) in den erfassten Daten enthalten sind und dass die Erfassungsstrategie für diese Daten vollständig verstanden wird. Die Redner gehen auch auf die Sentimentanalyse und die Idee ein, dass es sich dabei um eine Art Alchemie handelt, bei der es darum geht, mithilfe der erfassten alternativen Daten die beste Strategie zu finden, und betonen gleichzeitig, wie wichtig es ist, zu verstehen, ob sich das Streben lohnt oder nicht.
  
  
• 00:35:00 Der Redner diskutiert Karrieremöglichkeiten auf dem Finanzmarkt, insbesondere für Personen mit fortgeschrittenen Programmier- und Softwaretechnologiekenntnissen. Er erwähnt die Herausforderungen bei der Umsetzung quantitativer und KI-Modelle für maschinelles Lernen in Anwendungen mit lohnender Implementierung. Für diejenigen, die bereits in der Finanzbranche tätig sind und über traditionelle Qualifikationen wie CFA oder FRM verfügen, empfiehlt er die Erkundung neuer Bereiche im sich entwickelnden Finanzmarkt mit großen Playern wie Informationsanbietern, die neue Möglichkeiten bieten. Der Referent warnt auch davor, Forschungsziele zu ehrgeizig zu setzen, um nicht am Ende leer zu stehen.
  
  
• 00:40:00 Die Referenten diskutieren den Zusammenhang zwischen KI und maschinellem Lernen in Hedgefonds und deren Renditen. Einem Forschungsbericht der Georgia State University zufolge können höhere KI- und maschinelle Lernfähigkeiten auf Senior- oder Junior-Niveau innerhalb eines Hedgefonds zu einem jährlichen Alpha von etwa 2,8 % führen Fonds. Die Referenten sprechen auch über die verschiedenen Karrieremöglichkeiten, die alternative Anlagen mit KI bieten, etwa die Aktienauswahl oder die Unterstützung von Banken bei der Zeichnung von Kreditkarten und Hypotheken. Sie erwähnen Programme wie CAIA Charter und Financial Data Professional, die Schulungen zu KI- und maschinellen Lerntechniken sowie Datenethik für Finanzmärkte anbieten, und raten Studenten, offene Stellen im Bereich Datenwissenschaft in der Branche anzustreben.
  
  
• 00:45:00 Christina betont, wie wichtig es ist, den Datensatz und die Stimmungsdaten zu verstehen und zu wissen, wie man die Ergebnisse von Algorithmen für maschinelles Lernen liest, wenn man in eine Karriere im Finanzwesen einsteigt. Sie weist darauf hin, dass der Bereich Data Science nicht nur auf das Finanzwesen beschränkt ist, sondern in fast jedem Unternehmen zu finden ist. Allerdings gibt es im Finanzbereich viele offene Stellen, insbesondere im Hinblick auf Stimmungsanalysen und alternative Daten. Für diejenigen, die sich für den Algo-Handel interessieren und über Python-Kenntnisse und Zeitprognosen verfügen, stehen Bücher zur Verfügung, die den Einstieg erleichtern. Der von ihr besprochene Kurs umfasst neun Grundlagenvorlesungen, von denen drei alternative Daten behandeln, und zwölf Anwendungsfallvorlesungen, die von Branchenpraktikern gehalten werden.
  
  
• 00:50:00 Die Referenten diskutieren die Frage, ob AFL oder Python besser für den Handel geeignet ist. AFL steht für Amy Broker Formula Language und wurde von einer ehemaligen Journalistin eines beliebten Nachrichtensenders entwickelt. Es handelt sich um eine Sprache zur schnellen Implementierung technischer Analysen, und obwohl sie nützlich sein kann, kann die Verwendung von Python eine tiefere Ebene der Analyse und Strategieumsetzung ermöglichen. Die Referenten empfehlen Python und diskutieren auch, wie wichtig es ist, verschiedene Tools und Techniken zu nutzen, um fundierte Trades durchzuführen und Risiken zu verwalten. Zwar gibt es kein Allheilmittel für den Handelserfolg, aber selbst kleine Verbesserungen der Wahrscheinlichkeit können zu erheblichen Gewinnen führen.
  
  
• 00:55:00 Der Professor und seine Kollegen diskutieren die Bedeutung der Verwendung sowohl von Marktdaten als auch von Stimmungsdaten beim Aufbau von Handelsmodellen. Marktdaten zeigen die Realität von Handelsportfolios oder Anlageportfolios, während Stimmungsdaten aus Quellen wie Microblogs und Google-Suchen zusätzliche Informationen zur Vorhersage von Marktbewegungen liefern. Um Vorhersagen zu treffen, schlagen sie die Verwendung quantitativer Modelle oder KI-Modelle für maschinelles Lernen vor, betonen jedoch die Bedeutung von Ensembles oder eines Abstimmungssystems, um zu einem Konsens zu gelangen. Sie erwähnen auch ihre Begeisterung für die Arbeit an Stimmungsanalyseprojekten und die Bereitstellung von Aufklärung zu diesem Thema durch Webinare. Schließlich ermutigen sie die Teilnehmer, Fragen per E-Mail einzusenden, damit sie in Zukunft beantwortet werden können.