![MQL5 - Sprache von Handelsstrategien, eingebaut ins Kundenterminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Volatilitätshandel: Handel mit dem Angstindex VIX
Volatilitätshandel: Handel mit dem Angstindex VIX
Die Sitzung begann damit, dass der Gastgeber und Gastredner eine Agenda für das Webinar vorstellte, die darauf abzielte, das Verständnis der Teilnehmer für die Volatilität auf den Finanzmärkten zu verbessern. Sie begannen mit der Definition der Volatilität und ihrer Verbindung zum VIX, auch bekannt als „Angstindex“. Der Redner ging auf die verschiedenen Arten von VIX und VIX-basierten Derivaten ein und beleuchtete deren Bedeutung im Handel. Die Sitzung beinhaltete auch einen praktischen Ansatz zum Handel mit dem VIX und endete mit einer Frage-und-Antwort-Runde, um etwaige Fragen des Publikums zu beantworten.
Um das Konzept der Volatilität zu veranschaulichen, verwendete der Moderator Tesla als Beispiel für eine sehr volatile Aktie und erklärte, wie ihre täglichen Renditen zwischen -20 % und +20 % schwanken. Aufgrund dieser Volatilität ist der Umgang mit diesem Vermögenswert riskant. Der Moderator betonte, dass die bloße Betrachtung des Preisdiagramms eines Vermögenswerts keinen klaren Eindruck von seiner Volatilität vermittelt. Stattdessen sind es die täglichen Renditen, die einen besseren Hinweis auf die Volatilität eines Vermögenswerts bieten.
Das Video untersuchte außerdem die Anwendung der Volatilität über den Optionshandel hinaus und ihre Nützlichkeit bei der Entscheidungsfindung über den Kauf von Vermögenswerten insgesamt. Der Redner kategorisierte die Volatilität anhand des Ausmaßes der Schwankungen eines Vermögenswerts und reichte von hoher bis niedriger Volatilität. Es wurde ein Vergleich zwischen Tesla und dem S&P 500 durchgeführt, wobei der S&P 500 eine deutlich geringere Volatilität aufwies. Es wurden verschiedene Methoden zur Messung der Volatilität diskutiert, darunter Standardabweichung und Beta, die historische Werte der Volatilität liefern. Das Konzept der impliziten Volatilität wurde eingeführt, das die Markterwartung hinsichtlich der zukünftigen Bewegungen eines Vermögenswerts darstellt, ohne die Richtung dieser Bewegungen anzugeben.
Anschließend konzentrierte sich das Webinar auf die Erläuterung der Berechnung des VIX bzw. Volatilitätsindex und seiner Nutzung der impliziten Volatilität verschiedener Arten von Indexoptionen, um das Potenzial für starke Änderungen abzuschätzen. Der VIX wird allgemein als „Angstindex“ bezeichnet und im Verhältnis zum S&P 500 dargestellt. Während der VIX normalerweise darauf abzielt, niedrig zu bleiben, können unerwartete Ereignisse zu einem Anstieg führen, was zu erhöhter Angst am Markt führt. Die eigentliche Berechnung des VIX wird vom CBOE durchgeführt und liefert den Händlern die Zahlen, die sie benötigen, um die Entwicklung des VIX und seine Beziehung zum zugrunde liegenden Index zu verfolgen. Insgesamt dient der VIX als wesentliches Instrument für Händler, die das Marktrisiko mindern möchten.
Der Redner erörterte außerdem die Beziehung zwischen dem VIX und dem S&P 500 und betonte, dass der VIX die Erwartung des Marktes hinsichtlich der Volatilität in der Zukunft des Index widerspiegelt und wie er in Zeiten der Unsicherheit reagiert, wenn der S&P 500 sinkt. Der Redner führte Beispiele wie den Handelskrieg zwischen den USA und China und die COVID-19-Pandemie an, um die Korrelation zwischen dem VIX und dem S&P 500 zu veranschaulichen. Während der VIX bestrebt ist, niedrig zu bleiben, können unerwartete Ereignisse zu einem starken Anstieg der Volatilität führen. Da Händler jedoch neue Informationen verarbeiten und die Unsicherheit abnimmt, nimmt auch die Volatilität ab.
Das Konzept des Angstindex oder VIX wurde als Maß für die Angst der Händler vor negativen Nachrichten eingeführt, die sich auf den Markt auswirken. Es wurde hervorgehoben, dass der VIX nicht auf den S&P 500 beschränkt ist, sondern auch auf andere geografische Gebiete angewendet werden kann, beispielsweise auf die australische Börse, Aktien der Eurozone und den Hang Seng Index sowie auf andere Anlageklassen wie Rohstoffe und Währungen. Der Bedarf für den VIX entsteht, weil Händler möglicherweise Marktvolatilität erwarten, er ist jedoch nicht der einzige Faktor bei der Bestimmung von Handelsentscheidungen, da auch griechische Optionen eine Rolle spielen. Daher dient der VIX als Instrument für Händler zum Handel mit Optionen basierend auf der Marktvolatilität. Obwohl der VIX selbst über kein Handelsinstrument verfügt, ermöglichen Derivate wie Futures und Optionen die Abschätzung zukünftiger Volatilität und erleichtern so Handelsstrategien.
Es wurden die verschiedenen Arten von VIX-Futures besprochen, die für den Handel verfügbar sind, darunter Standard-, Near-Month-, Next-Month-, Far-Month-Abläufe und wöchentliche Abläufe. In dem Video wurde hervorgehoben, dass VIX-Futures zwar teuer sein können, Mini-Futures jedoch zu einem Zehntel des Wertes erhältlich sind, was für Händler eine leichter zugängliche Option darstellt. Darüber hinaus wurden VIX-ETFs (Exchange-Traded Funds) als Alternative zum Handel mit VIX-Futures eingeführt. Diese ETFs beziehen ihren Wert aus VIX-Futures und bieten je nach Händlerpräferenz unterschiedliche Optionen. Kurzfristige VIX-ETFs wie VIXY bilden Futures für den nahen und nächsten Monat ab, während mittelfristige VIX-ETFs wie VIXM mittelfristige Futures abbilden. Auch inverse VIX-ETFs wie SVXY wurden erwähnt, da sie sich in die entgegengesetzte Richtung wie VIX-Futures bewegen und an Wert gewinnen, wenn die Futures fallen. Händler können je nach Marktaussichten und Handelsstrategien aus diesen verschiedenen Arten von VIX-Futures und ETFs wählen.
Anschließend untersuchte das Video andere VIX-basierte Derivate, darunter VIX-ETFs und VIX-ETNs (Exchange-Traded Notes). Es wurde erklärt, dass VIX-ETFs VIX-Futures zugrunde liegen, die ein Risiko für die Volatilität des Marktes bieten. Andererseits wurde hervorgehoben, dass VIX-ETNs keinen Basiswert haben. Als Beispiel für ein VIX ETN nannte der Redner den beliebten VXX. Es wurde betont, dass der Handel mit VIX-basierten Derivaten mit Risiken verbunden ist und dass es für Händler von entscheidender Bedeutung ist, diese Risiken zu verstehen, bevor sie sich an solchen Handelsaktivitäten beteiligen. Vor dem Handel mit echtem Kapital wurden Test- und Backtesting-Strategien in einer Papierhandelsumgebung empfohlen. Insbesondere ETNs bergen ein Emittentenrisiko, was bedeutet, dass das Kapital der Anleger gefährdet sein könnte, wenn das Unternehmen, das die ETNs ausgibt, seinen Verpflichtungen nicht nachkommt. Darüber hinaus wurde festgestellt, dass VIX-Futures einen Contango-Effekt haben, der bestimmte Risiken und Überlegungen für Händler mit sich bringt.
Der Redner befasste sich intensiv mit dem Thema der Konvergenz der VIX-Futures, wenn diese sich ihrem Ablaufdatum nähern. Sie erklärten, dass die Preise der VIX-Futures dazu tendieren, sich dem Ablaufdatum anzunähern. Es wurde betont, dass es für Händler, die am VIX-Futures-Handel beteiligt sind, von entscheidender Bedeutung ist, vor dieser Konvergenz auf der richtigen Seite des Handels zu sein. Das Video stellte dann eine einfache VIX-basierte Strategie vor, die darin besteht, den VIX zur Absicherung eines Portfolios in rückläufigen Zeiten zu nutzen, indem man Long-Positionen auf VIX-Futures eingeht. Diese Strategie wurde getestet und ergab zwischen 2011 und 2021 in Kombination mit einem Portfolio des S&P 500 dreimal höhere Renditen. Es wurde betont, wie wichtig es ist, Ideen im Backtest zu testen und sie in einer Papierhandelsumgebung umzusetzen, um Vertrauen zu gewinnen, bevor man sie umsetzt in realen Handelsszenarien.
Die Webinar-Moderatoren teilten Informationen über einen von ihnen entwickelten Kurs mit dem Titel „Volatilitätshandelsstrategien für Anfänger“. Der Kurs konzentriert sich darauf, Händlern verschiedene Methoden zur Messung der Volatilität beizubringen, darunter ATR (Average True Range), Standardabweichung, VIX und Beta. Sie betonten, wie wichtig es sei, sich mit den richtigen Werkzeugen und dem richtigen Wissen auszustatten, um ohne Angst vor Volatilität handeln zu können. Die Gastgeber erwähnten, dass der Kurs derzeit für eine begrenzte Zeit mit einem Rabatt von 67 % verfügbar ist. Zusätzlich wurde den Teilnehmern des Webinars mit dem Gutscheincode VTS10 ein zusätzlicher Rabatt von 10 % auf den Kurs angeboten. Die Moderatoren nutzten auch die Gelegenheit, einige Fragen aus dem Publikum zu beantworten, darunter Fragen zur Fokussierung auf den US-Markt bei der Analyse des VIX und zur Frage, ob der VIX als Früh- oder Spätindikator für Preisbewegungen fungiert.
Der Redner erläuterte weiter die nahezu augenblickliche Reaktion des VIX auf den S&P 500. Während der spezifische VIX-Bereich nicht besprochen wurde, wurde darauf hingewiesen, dass die 30-Tage-Volatilität annualisiert ist und in einem Bereich von 0 bis 100 liegt. Der Redner betonte verschiedene Phasen des VIX, wie die niedrige bis mittlere Phase von 10 bis 20 und die mittlere Phase von 20 bis 25. Der Redner räumte ein, dass Herdenbildung oder die Tendenz der Marktteilnehmer, kollektiv zu handeln, Auswirkungen auf den VIX haben kann. In dem Video wurde auch die Verfügbarkeit von Futures-Optionen für India VIX erwähnt, obwohl die Liquidität dieser Optionen aufgrund hoher Kapitalanforderungen begrenzt ist.
Während der Frage-und-Antwort-Runde ging das Video auf mehrere Fragen im Zusammenhang mit der Handelsvolatilität und dem VIX ein. In einer Frage ging es um die Möglichkeit, VIX-basierte Derivate zu handeln, während man in Indien ansässig ist. In der Antwort wurde darauf hingewiesen, dass es sich zwar um eine aufkommende Praxis handelt, einige Handelsplattformen jedoch den Handel mit VIX-basierten Derivaten in Indien ermöglichen. Eine weitere Frage warf die Idee auf, die Nachrichtenstimmung als zusätzlichen Parameter in Optionspreismodelle einzubeziehen. Der Redner erklärte, dass der VIX zu einer anderen Anlageklasse gehöre und nicht die gleichen Modelle wie andere Optionen verwende. In dem Video wurde jedoch anerkannt, dass die Stimmungsanalyse eine Rolle beim Verständnis der Marktdynamik spielen kann. Darüber hinaus wurden UVIX und SVIX im Video kurz als zugrunde liegende Vermögenswerte erwähnt, die bei der Betrachtung von Handelsstrategien ähnlich wie andere Vermögenswerte behandelt werden können.
Anschließend wandte sich die Diskussion den Regeln einer kombinierten Portfoliostrategie zu, die zuvor im Video erwähnt wurden. Der Referent erläuterte die Kriterien für Ein- und Ausreiseregeln in dieser Strategie. Die Einstiegsregel konzentriert sich auf das Verhalten des S&P 500, bei dem Händler bei einem Rückgang Kapital reservieren können, um auf den VIX zu setzen. Es wurde festgestellt, dass der VIX im Allgemeinen steigt, wenn der S&P 500 fällt. Andererseits berücksichtigt die Ausstiegsregel das Verhalten des S&P 500, um festzustellen, ob er aus einem Bärenmarkt herausgekommen ist und ob sich die Gesamtwirtschaft gut entwickelt, was auf einen Bullenmarkt hindeutet. Händlern wurde empfohlen, die Marktbedingungen zu bewerten, bevor sie Entscheidungen über den Abschluss oder Ausstieg aus Geschäften treffen.
Das Webinar lieferte detaillierte Einblicke in den Volatilitätshandel, wobei der Schwerpunkt insbesondere auf dem VIX als Schlüsselindikator lag. Es behandelte Themen wie das Verständnis der Volatilität, die Messung und Kategorisierung der Volatilität, die Berechnung des VIX, verschiedene Arten von VIX-basierten Derivaten und Strategien für den Handel mit Volatilität. Die Gastgeber boten auch einen Kurs über Volatilitätshandelsstrategien für Anfänger an und ermutigten Händler, sich mit den notwendigen Kenntnissen und Werkzeugen auszustatten, um sich selbstbewusst auf dem Markt zurechtzufinden. Das Webinar endete mit einer interaktiven Frage-und-Antwort-Runde, in der verschiedene Fragen des Publikums beantwortet und weitere Klarheit zu den besprochenen Themen geschaffen wurden.
Big Data und die Zukunft des Einzelhandelsinvestments
Big Data und die Zukunft des Einzelhandelsinvestments
Finanzmärkte generieren täglich enorme Datenmengen. In diesem Webinar wird der Referent die Bedeutung der Arbeit damit im Zusammenhang mit Investitionen und Handel erörtern. Er wird auch erläutern, wie wir es für unterschiedliche Anlagestile nutzen können. Dabei wird er erläutern, wie Sie das Wissen und die Fähigkeiten entwickeln können, die Sie benötigen, um in diesem Bereich erfolgreich zu sein und erfolgreich zu sein.
00:00 – Einführung
04:00 – Haftungsausschluss
05:44 – Tagesordnung
11:04 – Daten
14:31 – Big Data
20:01 – Der Beginn der Datenanalyse
23:29 – Aktuelle Handels- und Investitionslandschaft
23:36 – Klassischer Datenanalyseansatz
27:43 – Moderne Datenanalyse
31:29 – Warum und wie werden Analysen auf den Finanzmärkten eingesetzt?
37:00 – Arten von Daten
43:58 – Herausforderungen für Privatanleger
52:38 – Fragen und Antworten
Paarhandel in Brasilien und Short Straddles auf den US-Märkten [Algo Trading Projects]
Paarhandel in Brasilien und Short Straddles auf den US-Märkten [Algo Trading Projects]
Das Webinar beginnt damit, dass der Moderator Dr. Luis Guidas, einen EPAT-Alumni, vorstellt, der sein Projekt zum Paarhandel an den brasilianischen Aktienmärkten vorstellt. Dr. Guidas ist ein erfahrener Softwareentwickler in der Zahlungskartenbranche und Dozent für Compiler und Programmiersprachen an der Universidade Federal Fluminense. Er hat sich intensiv mit kryptografischen Algorithmen, Sicherheitskommunikationsprotokollen und sicheren elektronischen Transaktionen beschäftigt. Nach Abschluss des EPAT-Programms im Juli 2021 ist er derzeit Leiter der quantitativen Analyse bei oCam Brazil.
Dr. Guidas stellt zunächst das Konzept der statistischen Arbitrage vor, bei dem statistische Modelle verwendet werden, um Vermögenswertpaare zu finden, die das gegenseitige Risiko neutralisieren. Er erklärt, wie kointegrierte Paare verwendet werden können, um eine stationäre Zeitreihe mit konstantem Mittelwert und konstanter Varianz zu erstellen. Um dies zu veranschaulichen, nutzt er das Beispiel zweier ETFs, die denselben Index abbilden, die nahezu perfekt miteinander integriert sind und einen horizontalen Spread mit konstantem Mittelwert und konstanter Varianz erzeugen. Er erwähnt, dass dieser Prozess eine Trainingsphase und eine Testphase umfasst, um die Strategie erneut zu testen.
Als Nächstes befasst sich Dr. Guidas mit dem Prozess des Paarhandels und der Verwendung einer Bollinger-Band-Handelsstrategie. Sie wählen Ticker und Sektoren aus, finden quantitative Paare und berechnen das Absicherungsverhältnis, um ihren Spread zu erstellen. Für jedes Paar berechnen sie den Spread und wenden eine Mean-Reverting-Handelsstrategie an: Sie kaufen, wenn der Spread unter dem Mittelwert liegt, und verkaufen, wenn er über dem Mittelwert liegt. Er erörtert auch die Verwendung von Stop-Loss in Algorithmen zur Rückkehr zum Mittelwert und betont, dass die Wahrscheinlichkeit einer Rückkehr zum Mittelwert zunimmt, je weiter der Preis vom Mittelwert abweicht.
Der Redner stellt eine Strategie namens „Stop Time“ vor, die darin besteht, einen Spread-Trade nach einer bestimmten Anzahl von Tagen zu verlassen, wenn er nicht geschlossen wird, um Verluste zu vermeiden. Sie stellen ein Beispiel für eine Bollinger-Band-Strategie für den Paarhandel in Brasilien dar und demonstrieren deren Rentabilität über einen Zeitraum von einem Jahr. Aufgrund der begrenzten Datenlage weisen sie jedoch auf die Verzerrung hin, die dadurch entstehen kann, dass nur Unternehmen herangezogen werden, die im aktuellen Zeitraum bestehen. Um diesem Problem entgegenzuwirken, wurde eine weitere Ausbildungsperiode von 2018 bis 2020 eingebaut, was aufgrund der Entstehung neuer Unternehmen und Branchen zu einer höheren Anzahl von Paaren führte.
Dr. Guidas gibt Einblicke in ihre Erfahrungen mit dem Paarhandel in Brasilien und bespricht ihre Methodik. Sie vereinfachen die Analyse des Spreads und bestimmen die ideale Periodenlänge des einfachen gleitenden Durchschnitts durch Untersuchung der Halbwertszeit des Spreads. Sie heben auch die Herausforderungen hervor, mit denen der Handel am brasilianischen Aktienmarkt konfrontiert ist, insbesondere seine Liquidität, die nach Analyse der Top-100-Unternehmen die Anzahl lebensfähiger Paare begrenzt. Der Redner stellt Leistungsmetriken bereit, erkennt jedoch den Verbesserungsbedarf an und schlägt Ansätze wie Hyperparameter-Tuning, Stationaritätsprüfungen und die Zusammenführung kleiner Sektoren vor. Sie empfehlen, Literatur zu diesem Thema zu lesen und insbesondere die Bücher von Dr. Chang und Dr. Hippish zu erwähnen.
Während der Frage-und-Antwort-Runde beantwortet Dr. Grace Fragen des Publikums zu den im Video vorgestellten Strategien. Sie erklärt, dass die Periode der Bollinger-Bänder ein Hyperparameter ist, der auf der Grundlage eines Rastertests der Halbwertszeiträume des Spreads dynamisch festgelegt werden kann. Auf die Frage nach der Verwendung von Bollinger-Bändern für Straddles und Strangles schlägt sie vor, Erkenntnisse von Derivate-Experten einzuholen, da es sich hierbei um strukturierte Operationen handelt. Dr. Grace befasst sich auch mit dem Problem der nicht zum Mittelwert zurückkehrenden Trades und schlägt vor, nicht zum Mittelwert zurückkehrende Reihen durch die Berechnung ihres ersten Moments zum Mittelwert umzukehren. Eine weitere Frage betrifft die Korrelation zwischen Indice Futuro VINFUT und BOVA11, zu der sie empfiehlt, die Beziehung zwischen den beiden für Handelsentscheidungen zu untersuchen.
Anschließend teilt Dr. Lewis Elton seine Erfahrungen mit dem Quantum Trading EPAD-Programm und wie es seine Erwartungen erfüllt hat, um zu verstehen, warum technische Analysen im Handel nicht immer funktionieren. Er betont, wie wichtig es ist, zu studieren und Kurse zu belegen, um Wissen zu erlangen, und rät davon ab, allein das Wissen der Menschheit wiederherzustellen. Das Webinar kündigt außerdem die Einführung ihres ersten Contra-Kurses auf Portugiesisch zum Momentum-Handel an.
Siddharth Bhatia ergreift das Wort, um über Short-Straddles auf den US-Märkten zu sprechen. Er erklärt, dass es bei einem Short Straddle darum geht, einen Call und einen Put in gleichen Beträgen am Geld zu verkaufen und einen Gewinn zu erzielen, wenn sich der Basiswert weniger als das verkaufte Ausübungspreisniveau bewegt. Während die Strategie als Einkommenshandelsstrategie angepriesen wird, warnt Bhatia, dass die potenziellen Verluste viel größer sein können als die Gewinne, insbesondere in Zeiten der Marktvolatilität. Er führt Fälle an, in denen Unternehmen in Zeiten wie der COVID-Pandemie aufgrund von Short-Straddle-Trades ausgelöscht wurden.
Der Redner teilt seine eigenen Erfahrungen mit dem Backtesting einer Short-Straddle-Handelsstrategie mithilfe eines mechanischen Ansatzes. Sie verkauften zu Beginn jedes DTE-Zeitraums (Days to Expiry) 100 Einheiten des Straddle am Geld und hielten die Positionen bis zum Ablauf, ohne Stop-Losses oder differenzierte Ein- und Ausstiegspunkte einzuführen. Sie führten das Backtesting mit zwei Datensätzen durch, von denen einer Delta-abgesichert und der andere nicht abgesichert war, und verwendeten zwei verschiedene Versionen mit 7 DTE und 60 DTE, um unterschiedliche Zeiträume abzudecken. Sie haben die für das Backtesting erforderlichen Daten über die RATS-API abgerufen und mithilfe von Python-Pandas verarbeitet, um Kauf- und Verkaufspreise zu ermitteln. Der Redner betont jedoch die Herausforderung bei der Erstellung des Datenrahmens, da jede Zeile individuelle Aufmerksamkeit erforderte, um die Genauigkeit sicherzustellen.
Anschließend erörtert der Redner die Ergebnisse des Backtestings von Short-Straddle-Handelsstrategien sowohl auf dem brasilianischen als auch auf dem US-amerikanischen Markt. Sie zeigen, dass die Strategie in beiden Märkten schlecht abschnitt, was zu erheblichen Verlusten und einer niedrigen Sharpe Ratio führte. Während die Delta-Absicherung dazu beitrug, die Standardabweichung der Gewinn- und Verlustrechnung (Gewinn und Verlust) zu reduzieren, verwandelte sie verlorene Geschäfte nicht in profitable Geschäfte. Der Redner weist darauf hin, dass Stop-Loss-Orders bei dieser Art des Handels von entscheidender Bedeutung sind, und erwähnt wissenschaftliche Arbeiten, die den Einsatz von Einstiegsfiltern auf Basis des VIX-Index und der Laufzeitstruktur von VIX-Futures vorschlagen. Die Short-Straddle-Strategie gilt als profitabel, aber riskant und erfordert ein effektives Verlustmanagement durch verschiedene Methoden.
Während der Frage-und-Antwort-Runde geht der Redner auf mehrere Fragen der Zuschauer ein. Eine Frage betrifft, warum Positionen für die Strategie am Ende des Tages nicht abgesichert werden. Der Redner erklärt, dass die gängige Praxis darin besteht, einmal täglich zum Marktschluss abzusichern, da dies dazu beiträgt, die Standardabweichung der Gewinn- und Verlustrechnung zu verringern und die langfristige Volatilität zu minimieren. Sie betonen jedoch, dass Absicherungstechniken der Prüfung und Forschung unterliegen. Der Redner geht auch auf Themen wie die Berechnung der CAGR (Compound Annual Growth Rate), Transaktionskosten und die Vorteile des sieben- bis zehntägigen Haltens von Positionen anstelle des täglichen Verkaufs bei der Short-Straddle-Strategie ein. Darüber hinaus betonen sie die Bedeutung vorheriger Erfahrungen im manuellen und nicht-algorithmischen Handel, da sie Händler auf Marktvolatilität und die Akzeptanz kurzfristiger Verluste vorbereiten.
Die Redner beantworten weiterhin Fragen des Publikums und gehen auf Fragen im Zusammenhang mit dem Paarhandel in Brasilien und Short Straddles auf den US-Märkten ein. Ein Zuhörer fragt, ob man einen Long Straddle eingehen solle, wenn der VIX bei etwa 20 liege. Der Redner rät davon ab und weist darauf hin, dass dies normalerweise zu einem Verlust führen würde, und schlägt vor, den Index zu leeren, wenn der VIX über 20 liegt. Eine weitere Frage bezieht sich auf Ausgleich gegensätzlicher Einstiegsstrategien, wenn der VIX über 30 liegt. Die Empfehlung lautet, immer short zu sein und den Backwardation-Vorschlag zu ignorieren. Die Redner erhalten auch Fragen zu Buchempfehlungen, wobei einer der Redner die drei Bücher von Eun Sinclair wärmstens empfiehlt.
Anschließend teilt der Redner seine Erfahrungen mit dem ePAD-Programm der Quantum City und hebt hervor, wie es dazu beigetragen hat, die Lücken in ihrem Wissen über Codierung und algorithmische Handelskonzepte zu schließen. Sie betonen, wie wichtig es ist, die Märkte zu studieren und zu studieren. Der Redner ermutigt Neulinge, Demokonten zu eröffnen und Erfahrungen mit dem Eingehen von Verlusten auf dem Markt zu sammeln. Er betont, dass die Beherrschung einer Fertigkeit tieferes Eintauchen und die Teilnahme an mehr Kursen erfordert. Sie betonen, dass das ePAD-Programm von Quantum City ein hervorragender Ausgangspunkt für diejenigen ist, die ihr Verständnis der Märkte verbessern möchten. Der Redner schließt sich den Ratschlägen von Dr. Luis Guidas an, wie wichtig es ist, den Markt zu studieren und kontinuierlich von ihm zu lernen.
Gegen Ende des Webinars bedanken sich die Gastgeber bei Dr. Luiz dafür, dass er seine wertvollen Erkenntnisse zum Paarhandel in Brasilien weitergegeben hat. Sie bedanken sich auch beim Publikum für die aktive Teilnahme am Webinar und die Bereitstellung von Vorschlägen für zukünftige Themen. Die Gastgeber sind sich der Herausforderungen bewusst, die mit der Einführung eines Portugiesischkurses einhergehen, bringen aber auch ihre Begeisterung über die zahlreichen Entwicklungen in ihrer Gemeinde zum Ausdruck. Sie ermutigen das Publikum, sein Feedback durch eine Umfrage zu teilen und so wertvolle Beiträge und Ideen für zukünftige Sitzungen zu sammeln.
Mit herzlicher Wertschätzung verabschieden sich die Gastgeber von Dr. Luiz und dem Publikum und bringen ihre Begeisterung für die kommenden Webinare und ihr Engagement zum Ausdruck, der Handelsgemeinschaft wertvolles Wissen und Einblicke zu vermitteln. Sie freuen sich darauf, neue Themen zu erkunden, Fachwissen auszutauschen und eine lebendige Lernumgebung für alle Teilnehmer zu schaffen.
Das Webinar bot einen umfassenden Überblick über den Paarhandel an brasilianischen Aktienmärkten und die Herausforderungen, die mit Short-Straddle-Handelsstrategien auf den US-Märkten verbunden sind. Die Redner teilten ihre Erfahrungen, Strategien und Erkenntnisse und ermutigten zu kontinuierlichem Lernen und Forschung, um sich effektiv in der dynamischen Handelslandschaft zurechtzufinden.
Untersuchung der Beziehung zwischen den beiden und Nutzung dieser Informationen für Handelsentscheidungen.
Zertifikat in Stimmungsanalyse und alternativen Daten für das Finanzwesen – CSAF™ [KOSTENLOSE INFO-SITZUNG]
Zertifikat in Stimmungsanalyse und alternativen Daten für das Finanzwesen – CSAF™ [KOSTENLOSE INFO-SITZUNG]
Die Webinar-Moderatoren stellen zunächst das CSAF-Programm (Certificate in Sentiment Analysis and Alternative Data for Finance) vor. Sie betonen, dass das Programm von zwei erfahrenen Fakultätsmitgliedern geleitet wird, Professor Gautam Mitra und Professor Christina Alvin Sayer. Das Programm erstreckt sich über fünf Monate und umfasst eine Reihe von Vorlesungen, deren Ziel es ist, sowohl grundlegende Theorie als auch praktische Anwendungsfälle zu vermitteln, die von Gastdozenten präsentiert werden, die Fachleute aus der Finanzbranche sind.
Die Moderatoren geben einen Überblick über die Module des Programms, beginnend mit den ersten beiden Modulen, die sich auf die Grundlagen von Stimmung und Stimmungsdaten konzentrieren. Die Module 3 und 4 befassen sich mit alternativen Datenquellen und ihrer Relevanz für Finanzvorhersagen und -modellierungen, einschließlich Satelliten- und E-Mail-Daten sowie Textanalysen. Der Kurs behandelt außerdem Modellierungsgrundlagen, verschiedene Finanzmodelle und die Anwendung von Stimmungsdaten auf Bereiche wie Risikomanagement, Portfoliooptimierung und automatisierten Handel. Darüber hinaus gibt es ein Modul speziell für alternative Daten, das die Rolle von KI, maschinellem Lernen und quantitativen Modellen bei der Stimmungsanalyse hervorhebt.
Um das Webinar weiter zu bereichern, werden zwei besondere Gäste vorgestellt, Amit Arora und Abhijit Desai, die CSAF-Alumni sind. Sie teilen ihre Erfahrungen mit der vorherigen Version des Kurses namens EPAT NSA. Amit erklärt, wie ihm die praktische Ausrichtung des Kurses dabei half, seine eigenen Handelsideen zu entwickeln, was dazu führte, dass er mehr Zeit dem eigentlichen Handel widmete, was zu besseren Ergebnissen als erwartet führte. Abhijit betont, wie wichtig Engagement, Hingabe und Neugier sind, um das Beste aus dem Kurs herauszuholen.
Das Webinar umfasst auch Diskussionen mit verschiedenen Personen, die das CSAF-Programm erlebt haben. Sie teilen ihre Herausforderungen und Erfolge beim Verständnis und der Anwendung von Stimmungsanalysen und alternativen Daten in ihren Handelsstrategien. Die Redner gehen auf Fragen des Publikums ein und behandeln Themen wie die Kombination von Stimmungen und Volatilitätshandel, die Bedeutung alternativer Daten, die Bedeutung der Zertifizierung beim Investieren und Handeln, die Einbeziehung der Stimmungsanalyse in Handelsstrategien und die Echtzeitbenachrichtigung von Nachrichten in Handel.
Während des gesamten Webinars betonen die Referenten die Bedeutung des strukturierten Lernens durch Zertifizierungskurse wie CSAF für die Entwicklung einer umfassenden Perspektive und Herangehensweise. Sie unterstreichen die Bedeutung des Verständnisses von Finanzmärkten und -modellen für die effektive Anwendung von Stimmungsanalysen und alternativen Daten. Die Referenten betonen außerdem die praktische Anwendung von Wissen, die Verwendung quantitativer Rahmenwerke und den Wert von Fallstudien zur Veranschaulichung der Verwendung von Stimmungsdaten.
Die Gastgeber danken dem Publikum für die Teilnahme am Webinar und die aktive Auseinandersetzung mit den Informationen über das CSAF-Programm. Sie ermutigen die Zuschauer, ihr Feedback und ihre Fragen im Rahmen einer Umfrage zu äußern, und danken den Referenten und anderen für ihren Beitrag zum Erfolg des Webinars. Die Gastgeber bringen ihre Freude am Wissensaustausch und ihr Engagement für die Schaffung einer Lernumgebung für alle Teilnehmer zum Ausdruck.
So richten Sie den automatisierten Handel ein
So richten Sie den automatisierten Handel ein
Während des Vortrags geht der Referent auf die Vorteile des automatisierten Handels und die Gründe ein, warum eine Automatisierung notwendig ist. Sie betonen, dass der automatisierte Handel es Händlern ermöglicht, eine größere Anzahl von Vermögenswerten gleichzeitig zu verwalten und Geschäfte auf der Grundlage vordefinierter Regeln auszuführen. Dieser Ansatz trägt dazu bei, das Fehlerrisiko zu verringern und emotionsgesteuerten Handel zu vermeiden. Der Redner betont, dass die Automatisierung den Prozess vereinfacht, indem automatisch Bestellungen aufgegeben werden, sobald die festgelegten Regeln erfüllt sind, wodurch Zeitverzögerungen vermieden werden. Darüber hinaus erklären sie, dass die Automatisierung Zeit und Ressourcen der Händler freisetzt und es ihnen ermöglicht, sich auf die Entwicklung besserer Handelsstrategien zu konzentrieren.
Der Redner geht auf ein weit verbreitetes Missverständnis ein, dass Automatisierung den menschlichen Eingriff vollständig ersetzt. Sie betonen, wie wichtig es ist, die Leistung hochentwickelter automatisierter Handelssysteme regelmäßig zu analysieren, um bei Bedarf Anpassungen an der Handelsstrategie vorzunehmen. Sie betonen, dass die Automatisierung es Händlern ermöglicht, andere Aufgaben oder Vermögenswerte zu erkunden, die sie manuell möglicherweise nicht versucht hätten. Anschließend werden in der Präsentation die drei wesentlichen Schritte im Handel erörtert: Datenerfassung, Analyse (die regelbasiert oder diskretionär sein kann) und Handelsausführung.
Um einen Teil des Handelsprozesses zu automatisieren, empfiehlt der Redner, Daten und Codierung zu verwenden, um historische Daten für bevorzugte Vermögenswerte abzurufen. Sie erwähnen, dass Google Finance seine API in Google Sheets integriert hat, sodass Benutzer Daten einfach abrufen können, indem sie Parameter wie das Tickersymbol, Start- und Enddatum und Datentyp angeben. Diese gesammelten Daten können verwendet werden, um Preisdiagramme zu erstellen, Berechnungen durchzuführen (z. B. die Generierung benutzerdefinierter Indikatoren oder die Berechnung prozentualer Änderungen) und den Datenerfassungsprozess zu automatisieren, um Handelsstrategien zu optimieren.
Eine Demonstration im Video zeigt den Prozess des Backtestings einer Handelsstrategie mithilfe des Relative Strength Index (RSI)-Indikators anhand vergangener Daten. Der RSI-Wert im Bereich von 0 bis 100 bestimmt die ergriffene Aktion. Wenn der RSI-Wert unter 30 liegt, was darauf hinweist, dass der Vermögenswert überverkauft ist, wird er für Käufer attraktiv und veranlasst sie, den Vermögenswert zu kaufen. Ein Wert zwischen 30 und 70 deutet darauf hin, dass keine Maßnahmen ergriffen werden, während ein Wert über 70 darauf hinweist, dass der Vermögenswert überkauft ist und einen Ausverkauf auslöst. Der Redner validiert die Wirksamkeit dieser Regeln, indem er das Backtesting vergangener Daten automatisiert und dabei visuelle Programmierung für einen US-Aktiendatensatz verwendet.
Der Referent stellt die Blue Shift-Plattform für den automatisierten Handel vor, die Funktionen wie Backtesting, Papierhandel und Live-Handel bietet. Sie betonen, dass die Plattform visuelle Programmieroptionen bietet, für die keine Programmierkenntnisse erforderlich sind. Der Referent demonstriert die Einrichtung einer Handelsstrategie mithilfe des RSI-Indikators und erläutert die Bedingungen für das Eingehen von Long- und Short-Positionen. Abschließend präsentieren sie die Backtest-Ergebnisse, die eine Rendite von 14 %, eine Sharpe-Ratio von 1,22 und einen maximalen Drawdown von minus 13 % aufweisen. Insgesamt wird Blue Shift als benutzerfreundliche Plattform zum Erstellen und Testen automatisierter Handelsstrategien gelobt.
Anschließend geht der Redner auf den Prozess der Implementierung einer automatisierten Handelsstrategie im Live-Handel ein. Sie empfehlen, mit dem Papierhandel zu beginnen, der Echtzeitdaten, aber kein echtes Geld nutzt, um die Leistung der Strategie im aktuellen Marktumfeld zu beobachten. Der Redner führt das Publikum durch die Schritte der Einrichtung des Papierhandels und des Übergangs zum Live-Handel, einschließlich der Auswahl eines Brokers, der Festlegung der Kapitalallokation und der Bestätigung von Aufträgen. Sie betonen, wie wichtig es ist, die Leistung der Strategie regelmäßig zu überwachen und notwendige Anpassungen vorzunehmen. Der Redner erwähnt auch, dass frühere Sitzungen zum Live-Handel auf anderen Plattformen auf seinem YouTube-Kanal verfügbar sind.
Obwohl nicht alle Broker APIs für den automatisierten Handel anbieten, hebt der Redner Interactive Brokers als eine Plattform hervor, die in den meisten Regionen verfügbar ist und API-Unterstützung bietet. Sie erwähnen, dass die Verwendung einer IBridge Py-Brücke mit Interactive Brokers die Handelsautomatisierung von überall auf der Welt, einschließlich Singapur, ermöglicht. Der Redner weist darauf hin, dass es zwar möglich ist, Daten für NSE-Aktien zu erhalten, es jedoch wichtig ist, das entsprechende Tickersymbol zu finden und Yahoo Finance zu verwenden, um auf die erforderlichen historischen Daten zuzugreifen.
Der Referent erklärt, dass Daten auf Minutenebene nicht allgemein kostenlos verfügbar sind und weist darauf hin, dass die Datenanforderungen auf dieser Ebene anspruchsvoller werden. Um Daten auf Minutenebene zu erhalten, schlägt der Referent die Eröffnung eines Kontos bei einem Broker wie Interactive Brokers vor. Sie weisen jedoch darauf hin, dass je nach geografischer Lage und gewähltem Broker möglicherweise eine Gebühr anfällt. Der Redner erwähnt kurz die Handelshäufigkeitsfunktion und weist das Publikum an, die Blue Shift-Dokumentation zu konsultieren, um weitere Informationen zum Erstellen einer Handelsstrategie zu erhalten. Sie betonen auch, wie wichtig es ist, bei der Entwicklung einer Handelsstrategie Stop-Loss-Werte festzulegen.
Anschließend erörtert der Redner die Bedeutung der Festlegung geeigneter Stop-Loss-Werte für verschiedene Arten von Vermögenswerten. Sie empfehlen die Verwendung unterschiedlicher Stop-Loss-Werte basierend auf der Volatilität der Vermögenswerte, mit höheren Stop-Loss-Werten für Vermögenswerte, die erheblichen Preisschwankungen unterliegen, wie etwa Tesla. Der Redner weist außerdem darauf hin, dass die Bestimmung der idealen Werte für Alpha und Beta von den Zielen des Händlers und dem gewünschten Zeitrahmen zur Erzielung eines bestimmten Prozentsatzes des Gewinns abhängt. Darüber hinaus beantworten sie Fragen zur Automatisierung des Handels auf indischen Märkten, zur Überwachung von Strategien und zur Erstellung von Optionsstrategien mithilfe der Plattform. Abschließend unterstreicht der Redner, wie wichtig es ist, bei unerwarteten Marktereignissen wachsam zu bleiben und anhand der Fähigkeit der Strategie, der Volatilität standzuhalten, zu entscheiden, ob der Handel unterbrochen oder fortgesetzt werden soll.
Der Redner geht weiter auf die Automatisierung im Handel und deren Funktionsweise ein. Sie erklären, dass die Automatisierung für indische Märkte über die Blueshift-Plattform verfügbar ist, die Backtesting-Strategien und Live-Handel durch Partnerschaften mit verschiedenen Brokern erleichtert. Der Redner betont die Bedeutung vordefinierter Handelsregeln und betont den Wert des Testens dieser Regeln durch Backtesting und Papierhandel, bei dem virtuelles Geld zur Bewertung der Strategieleistung unter den aktuellen Marktbedingungen verwendet wird. Der Referent erwähnt auch, dass maschinelles Lernen im Handel eingesetzt werden kann und von Blueshift bei der Entwicklung von Handelsstrategien unterstützt wird.
In Bezug auf die Möglichkeit des automatisierten Handels auf mobilen Geräten räumt der Redner ein, dass mobilbasierte Plattformen zwar möglicherweise nicht so funktionsreich sind wie webbasierte Plattformen, automatisierter Handel auf Mobiltelefonen jedoch möglicherweise häufiger vorkommen, da die Branche auf Cloud-basierte Lösungen umsteigt . Sie schlagen vor, dass Anfänger klein anfangen und ihr Wissen schrittweise erweitern, indem sie mehr lernen und eine Handelsregel oder -strategie festlegen. Der Redner betont, dass Blue Shift, eine Lern-, Backtesting- und Handelsplattform, völlig kostenlos ist und zum Experimentieren mit Handelsstrategien genutzt werden kann. Sie beantworten auch Fragen zu den Funktionen der Plattform und erwähnen Pläne, in Zukunft weitere Broker hinzuzufügen. Abschließend beantwortet der Redner eine Frage zum automatischen Handel mit Bitcoin auf jeder Plattform.
Bezüglich der Broker-Unterstützung für den automatisierten Handel stellt der Redner klar, dass nicht alle Broker diese Funktionalität anbieten und Benutzer überprüfen sollten, ob die von ihnen gewählte Plattform dies unterstützt. Sie erklären, dass sich die Branche zunehmend auf den automatisierten Handel verlagert, wobei die meisten Aufträge mit Hilfe automatisierter Handelssysteme ausgeführt werden. Im Hinblick auf die Kombination von maschinellem Lernen, neuronalen Netzen und KI für den algorithmischen Handel beschreibt der Redner den Prozess des Trainings und Testens von Daten an einem Modell für maschinelles Lernen und die Nutzung der vorhergesagten Ergebnisse für den algorithmischen Handel. Abschließend gehen sie auf eine Frage eines Berufstätigen ein und stellen fest, dass der automatisierte Handel Fachleuten bei der Verwaltung von Handelsaktivitäten helfen kann und gleichzeitig die Bildschirmzeit minimiert, sodass sie sich auf die Anforderungen ihrer Arbeit konzentrieren können.
Der Redner bekräftigt, dass die Automatisierung einer Handelsstrategie für Berufstätige machbar ist, es jedoch von entscheidender Bedeutung ist, die Leistung des automatisierten Systems regelmäßig zu überprüfen, da sich die Marktbedingungen ändern können. Sie weisen darauf hin, dass es zwar möglich ist, eine Handelsstrategie zu erstellen, ohne Python oder eine Programmiersprache auf verschiedenen Plattformen zu lernen, fortgeschrittene Strategien jedoch möglicherweise Kenntnisse in Python oder anderen Programmiersprachen erfordern. Der Redner versichert dem Publikum, dass das Erlernen von Python nicht so schwierig ist, wie es scheint, und dass es einen zusätzlichen Vorteil bieten kann. Sie betonen, wie wichtig es ist, die Leistung regelmäßig zu bewerten, um die Strategie entsprechend anzupassen.
Abschließend lädt der Redner das Publikum ein, an einer Umfrage für unbeantwortete Fragen teilzunehmen, und ermutigt es, ein zeitlich begrenztes Angebot zu nutzen, das einen Rabatt von 70 % und einen zusätzlichen Rabatt von 25 % für die Anmeldung zu allen Kursen bietet. Sie bedanken sich für die erhaltene Unterstützung und versichern dem Publikum ihr Engagement, in Zukunft weitere Webinare zu organisieren. Der Redner bittet um Vorschläge zu möglichen Themen, um bessere Sitzungen zu planen, die den Interessen und Bedürfnissen des Publikums gerecht werden. Zum Abschluss der Präsentation wünscht der Redner ein frohes Feiertagsfest und dankt allen Teilnehmern für ihre Teilnahme an der Sitzung.
Quantitative Datenanalyse von Kryptowährungen
Quantitative Datenanalyse von Kryptowährungen
In dieser informativen Sitzung zur quantitativen Datenanalyse für Kryptowährungen stellt sich die Rednerin Udisha Alook als Quant-Forscherin am Quant Institute vor, die sich auf Blockchain, Bitcoin, Ethereum und Ripple spezialisiert hat. Sie betont, wie wichtig es ist, vor einer Investition in Kryptowährungen eine Due-Diligence-Prüfung durchzuführen, und erläutert die Tagesordnung der Sitzung.
Der Redner gibt zunächst einen Überblick über Kryptowährungen und betont, dass es sich um digitale oder virtuelle Währungen handelt, die durch Kryptographie gesichert sind und keine physische Form haben. Sie erklärt, dass Kryptowährungen durch Kryptografie Sicherheit gewährleisten, dezentral mithilfe der Blockchain-Technologie funktionieren und das Risiko von Doppelausgaben eliminieren.
Anschließend geht der Redner auf die Hauptthemen ein, die in der Sitzung behandelt werden sollen. Sie erwähnt, dass in der Sitzung die wichtigsten Kryptowährungen untersucht, erörtert wird, wo man Daten zu Kryptowährungen erhalten kann, und Einblicke in den Handel auf dem Kryptowährungsmarkt gegeben werden. Der Referent betont, dass der zentrale Fokus auf der Analyse von Daten für die Top-Kryptowährungen liegen werde.
Im Folgenden stellt der Redner Quantinsti, ein quantitatives Handelsunternehmen, und seine Angebote vor. Sie hebt das professionelle Zertifizierungsprogramm für Algorithmic Trading (EPAT), das Zertifikat für Sentiment Analysis and Alternative Data for Finance (CSAF) und die unter Quantra verfügbaren Kurse zum Selbststudium hervor. Darüber hinaus stellt der Redner BlueShift vor, eine cloudbasierte Plattform für Strategieentwicklung, Forschung, Backtesting, Papierhandel und Live-Handel.
Zurück zum Hauptthema Kryptowährungen: Der Referent geht auf die sechs Top-Kryptowährungen basierend auf ihrer Marktkapitalisierung ein und gibt einen kurzen Überblick über ihre Funktionalitäten. Bitcoin, die erste und bekannteste Kryptowährung, wird als einzige Kryptowährung erwähnt, die derzeit von El Salvador als gesetzliches Zahlungsmittel eingeführt wird. Ethereum, das in Bezug auf die Marktkapitalisierung an zweiter Stelle steht, wird für die Einführung intelligenter Vertragsfunktionen hervorgehoben. Als sechste Kryptowährung auf der Liste wird Ripple genannt, das als Zwischenmechanismus für den Austausch konzipiert ist. Der Redner stellt außerdem Binance Coin vor, das auf eine eigene Blockchain umgestellt wurde, sowie Tether und USD Coin, stabile Münzen, die an den US-Dollar gekoppelt sind und Kryptowährungsfunktionen mit der Stabilität von Fiat-Währungen bieten.
Bezüglich Datenquellen für Kryptowährungen nennt der Redner CryptoWatch und CoinAPI als zuverlässige Quellen für historische Kryptodaten. Sie stellt auch eine Liste der wichtigsten globalen Krypto-Handelsplattformen bereit, darunter Binance, Coinbase, Etoro, Gemini und Kraken.
Im weiteren Verlauf der Sitzung vergleicht der Referent die Preise verschiedener Kryptowährungen und veranschaulicht deren Performance auf einer logarithmischen Skala. Bitcoin ist preislich die dominierende Kryptowährung, gefolgt von Ethereum und Binance Coin. Es wird festgestellt, dass Ripple einen Leistungsrückgang erlebt hat, während Stable Coins aufgrund ihrer Natur stabil bleiben. Der Redner berechnet außerdem die kumulierten Renditen und betont, dass Binance Coin die höchsten Renditen erzielt hat, gefolgt von Ethereum und Bitcoin. Es wird beschrieben, dass die Volatilität in den vier wichtigsten Kryptowährungen stark schwankt und in bestimmten Zeiträumen Spitzenwerte aufweist, wohingegen Stable Coins stets ihre Stabilität aufrechterhalten.
Anschließend konzentriert sich das Video auf die Analyse der Volatilität und der damit verbundenen Risiken einer Investition in Kryptowährungen. Der Redner stellt fest, dass die Kryptowährungsrenditen eine hohe Kurtosis aufweisen, was auf die Wahrscheinlichkeit extremer positiver und negativer Renditen hinweist. Dies wird auf den Momentum-basierten Handel zurückgeführt, bei dem Anleger dazu neigen, bei steigenden Preisen zu kaufen und bei fallenden Preisen in Panik zu verkaufen. Um das Vorhandensein zahlreicher Ausreißer zu veranschaulichen, werden Boxplots der täglichen Renditen dargestellt, was die Annahme, dass Kryptowährungen ein erhebliches Risiko bergen, weiter untermauert. Es wird jedoch festgestellt, dass stabile Münzen eine geringere Volatilität aufweisen.
Im darauffolgenden Abschnitt untersucht der Redner die Auswirkungen der Entfernung von Ausreißern auf die Medianwerte beliebter Kryptowährungen wie Bitcoin, Ethereum, Binance Coin, Ripple, USD Coin und USDC. Es wird hervorgehoben, dass stabile Münzen darauf ausgelegt sind, einen Wert nahe einem US-Dollar beizubehalten, was sie für viele Benutzer besonders attraktiv macht. Ripple hingegen unterscheidet sich von anderen Kryptowährungen durch seine einzigartige Berechtigungs-Blockchain, die für Finanzinstitute entwickelt wurde. Das laufende SEC-Verfahren gegen die Gründer von Ripple wird als ein Faktor erwähnt, der zu Schwankungen und Unsicherheit bei den Anlegern geführt hat.
Anschließend gruppiert der Redner die Faktoren, die Kryptowährungen beeinflussen, in fünf Hauptkategorien. Dazu gehört das Gesetz von Angebot und Nachfrage, das sich auf die Knappheit und den Wert von Kryptowährungen auswirkt. Auch die Wertwahrnehmung, getrieben durch die Marktstimmung und die Anlegerstimmung, spielt eine wichtige Rolle. Technologische Fortschritte, wie Aktualisierungen der Blockchain-Protokolle und Verbesserungen der Skalierbarkeit, können sich auf die Leistung von Kryptowährungen auswirken. Staatliche Vorschriften und Richtlinien, einschließlich rechtlicher Rahmenbedingungen und Regulierungsmaßnahmen, haben erhebliche Auswirkungen auf den Kryptowährungsmarkt. Schließlich kann die Marktstimmung, die durch Medienberichterstattung, politische Ereignisse und allgemeine Markttrends geprägt wird, die Preise von Kryptowährungen stark beeinflussen.
Der Redner untersucht den Einfluss von Medien, politischen Ereignissen, regulatorischen Änderungen und Blockchain-Modifikationen auf die Preise von Kryptowährungen. Es wird hervorgehoben, dass eine positive oder negative Berichterstattung einen erheblichen Einfluss auf die Kryptowährungspreise hat, da sie Menschen entweder zum Investieren ermutigen oder davon abhalten kann. Auch die Befürwortung von Kryptowährungen durch seriöse Unternehmen oder Einzelpersonen erhöht angeblich deren Zuverlässigkeit und Vertrauenswürdigkeit. Politische Ereignisse und regulatorische Änderungen, wie etwa Wirtschaftskrisen oder staatliche Eingriffe, können das Vertrauen der Anleger in traditionelle Währungen beeinflussen und sie in Richtung Kryptowährungen treiben. Der Redner erwähnt die hohe Korrelation zwischen verschiedenen Kryptowährungen, insbesondere mit Bitcoin als dominierender Kryptowährung. Es wird jedoch beobachtet, dass Stable Coins nicht mit traditionellen Kryptowährungen korrelieren, was sie zu einer einzigartigen Anlageklasse macht.
Das Video erörtert außerdem den Prozess des Umtauschs von Kryptowährungen in Fiat-Währungen. Es wird erklärt, dass die meisten Börsen den Handel mit wichtigen Kryptowährungen wie Bitcoin und Ethereum unterstützen. Daher ist es oft notwendig, Altcoins in eine dieser Top-Kryptowährungen umzutauschen, bevor man sie in Fiat-Währung umwandelt. Das Video untersucht auch Handelsstrategien, die für Kryptowährungen geeignet sind, einschließlich auf Momentumindikatoren basierender Strategien und Arbitrage, die sich die hohe Volatilität des Marktes zunutze machen. Es werden Codierungsbeispiele mit Indikatoren wie dem Relative Strength Index, der Moving Average Convergence Divergence und dem Awesome Oscillator vorgestellt, um momentumbasierte Strategien zu veranschaulichen.
Gegen Ende der Sitzung fasst der Referent die wichtigsten behandelten Punkte noch einmal zusammen und betont das Potenzial von Stable Coins für die Portfoliodiversifizierung aufgrund ihrer geringen Volatilität und fehlenden Korrelation mit anderen Kryptowährungen. Es werden zusätzliche Ressourcen zum Erlernen des algorithmischen Handels und der Kryptowährung bereitgestellt, darunter kostenlose Bücher und Kurse sowie die Forschungs- und Handelsplattform Blue Shift. Der Redner erwähnt das Executive Program in Algorithmic Trading, das auf Personen zugeschnitten ist, die daran interessiert sind, ihr eigenes Algorithmic Trading Desk zu eröffnen oder eine Karriere im Algorithmic Trading mit Mentoring von Branchenpraktikern anzustreben. Die Verfügbarkeit von Frühbucherrabatten für das Programm wird ebenfalls hervorgehoben.
Im abschließenden Teil geht der Redner auf mehrere Fragen des Publikums im Zusammenhang mit Kryptowährung und Blockchain ein. Die langfristige Rentabilität von Kryptowährungen ohne regulatorische Unterstützung wird diskutiert, wobei der Redner hervorhebt, dass einige Länder bereits Gesetze zur Regulierung dieser Währungen erlassen haben und sie als langfristige Investitionen behandeln. Die wachsende Akzeptanz und Entwicklung der Blockchain-Technologie tragen auch dazu bei, dass sich die Menschen im Umgang mit Kryptowährungen wohler fühlen. Die Zukunft des dezentralen Finanzwesens (DeFi) gilt als sich entwickelnder Raum, in dem verschiedene Konzepte und Arten der Arbitrage noch erforscht werden müssen. Der Redner betont, dass der Kryptohandel über Data Mining und technische Indikatoren hinausgeht und unterstreicht die Bedeutung des Verständnisses der Blockchain-Technologie und ihrer Anwendungen.
Darüber hinaus werden die möglichen Auswirkungen bevorstehender US-Regulierungen auf den Kryptomarkt diskutiert. Der Redner räumt ein, dass die Regierung die Blockchain in den USA regulieren könnte, betont jedoch die Herausforderung, den dezentralen Charakter der Technologie zu kontrollieren. Daher kann es schwierig sein, eine vollständige Kontrolle über den Markt zu erlangen, auch wenn regulatorische Entscheidungen Auswirkungen auf die Kryptowährungspreise haben können. Auch das für den Krypto-Handel erforderliche Mindestkapital und der potenzielle Einsatz von Kryptowährungen in realen Transaktionen werden angesprochen. Abschließend werden kurz der Aufstieg digitaler Zentralbankwährungen (CBDCs) und ihre möglichen Auswirkungen auf die dezentrale Natur von Kryptowährungen erwähnt.
In den Schlussbemerkungen betonen die Redner die zunehmende Erforschung der Blockchain-Technologie zur Lösung von Problemen wie Identitätsausgabe und Lieferkettenmanagement. Sie gehen davon aus, dass die Nachfrage nach Blockchain-Entwicklern aufgrund der laufenden Entwicklung in diesem Bereich in Zukunft hoch sein wird. Der Vorteil von Kryptowährungen, etwa die Möglichkeit, rund um die Uhr gehandelt zu werden, wird hervorgehoben. Das Publikum wird ermutigt, Feedback zu geben und unbeantwortete Fragen für zukünftige Diskussionen zu stellen.
Am Ende der Sitzung fasst der Redner die wichtigsten Erkenntnisse zusammen und betont die Notwendigkeit einer ordnungsgemäßen Datenanalyse und quantitativer Techniken, um die hohe Volatilität von Kryptowährungen zu bewältigen. Technische und quantitative Analysen sowie Backtesting werden als wesentliche Instrumente zur Risikominderung hervorgehoben. Der Redner geht auch auf eine Frage zu den Auswirkungen geopolitischer Interventionen auf Kryptowährungsmärkte ein und stellt fest, dass Regierungsentscheidungen zwar Auswirkungen haben, der dezentrale Charakter von Kryptowährungen jedoch dazu führen kann, dass sich Menschen in Situationen, in denen das Vertrauen in traditionelle Währungen oder Regierungen gering ist, an sie wenden. Abschließend werden die Vorteile von Stable Coins hervorgehoben, da sie im Vergleich zu anderen Kryptowährungen einen stabileren und vorhersehbareren Wert bieten und sich daher besser für alltägliche Transaktionen eignen.
Als Antwort auf eine Frage zu den möglichen Auswirkungen bevorstehender US-Regulierungen auf den Kryptomarkt erkennt der Redner die Möglichkeit einer staatlichen Regulierung an, betont jedoch die Herausforderungen bei der vollständigen Kontrolle der dezentralen Natur von Kryptowährungen. Während sich Vorschriften auf die Preise von Kryptowährungen auswirken können, weist der Redner darauf hin, dass es schwierig sein könnte, eine vollständige Kontrolle über den Markt zu erreichen. Auch der Aufstieg digitaler Zentralbankwährungen (CBDCs) wird erwähnt und deren potenzielle Auswirkungen auf den dezentralen Charakter von Kryptowährungen kurz erörtert.
Im letzten Teil diskutieren die Redner die zunehmende Erforschung der Blockchain-Technologie zur Lösung realer Probleme wie Identitätsausstellung und Lieferkettenmanagement. Sie äußern sich optimistisch hinsichtlich der zukünftigen Nachfrage nach Blockchain-Entwicklern und dem anhaltenden Wachstum der Blockchain-Industrie. Die Vorteile von Kryptowährungen, wie etwa die Möglichkeit, rund um die Uhr gehandelt zu werden, werden hervorgehoben. Das Publikum wird ermutigt, Feedback zu geben und alle verbleibenden Fragen für zukünftige Sitzungen zu teilen.
Die von Udisha Alook geleitete Sitzung bietet wertvolle Einblicke in die quantitative Datenanalyse für Kryptowährungen. Es betont die Bedeutung der Due Diligence vor einer Investition, bietet einen Überblick über Kryptowährungen und ihre Funktionen, untersucht Datenquellen und Handelsplattformen, analysiert Preisbewegungen und Volatilität, diskutiert Faktoren, die die Preise von Kryptowährungen beeinflussen, und geht auf Fragen des Publikums zu Vorschriften, Handelsstrategien usw. ein die Zukunft der Kryptowährungen. Die Sitzung dient als umfassende Einführung in die quantitative Analyse auf dem Kryptowährungsmarkt und vermittelt den Teilnehmern das nötige Wissen, um fundierte Investitionsentscheidungen zu treffen.
Praktische Einführung in den quantitativen Handel | Yale School of Management
Praktische Einführung in den quantitativen Handel | Yale School of Management
Im Seminar zur Einführung in den quantitativen Handel befasst sich der Referent anhand von Codebeispielen mit der Erstellung, Bewertung und dem Einsatz von Handelsalgorithmen. Die Sitzung beginnt mit einer Einführung in das Konzept des quantitativen Handels, bei dem mathematische und statistische Modelle verwendet werden, um Handelsmöglichkeiten zu identifizieren und Geschäfte auszuführen. Es werden verschiedene Arten quantitativer Handelsstrategien erläutert, darunter Momentum-Handel, Mean-Diversion-Handelssysteme, mathematische Modelle, Hochfrequenzhandel und nachrichtenbasierte Handelssysteme. Der Referent betont, dass Algorithmen nicht nur für den Handel, sondern auch für das Market-Making und die Ausnutzung von Preisineffizienzen zur Gewinngenerierung eingesetzt werden.
Anschließend wird der Grundaufbau eines quantitativen Handelssystems erläutert. Es umfasst die Datenerfassung, die Erstellung einer Handelsstrategie, Backtesting, Ausführung und Risikomanagement. Für Handelsalgorithmen werden häufig Preis-, Fundamental-, Wirtschafts- und Nachrichtendaten verwendet. Technische, statistische und mathematische Analysen können eingesetzt werden, um Handelsregeln für die Strategie zu entwerfen. Beim Backtesting werden die Regeln anhand historischer Daten getestet, um deren Leistung zu bewerten. Die Ausführung kann manuell oder automatisch erfolgen, und das Risikomanagement ist für die Kapitalallokation und die Festlegung von Risikoparametern wie Stop-Loss von entscheidender Bedeutung. Der Referent liefert Live-Beispiele quantitativer Handelsstrategien, um diese Konzepte zu veranschaulichen.
Die trendbasierte Strategie wird hervorgehoben und technische Indikatoren wie exponentieller gleitender Durchschnitt (EMA), parabolischer SM und stochastischer Oszillator werden zur Gestaltung des Algorithmus verwendet. Einführung der Contra-Plattform, die Video-Tutorials, interaktive Übungen und praktische Übungen bietet, ohne dass eine Softwareinstallation erforderlich ist. Python-Module werden importiert, um bei der Erstellung des Algorithmus zu helfen, und Daten werden aus einer CSV-Datei importiert, um Handelsregeln zu definieren und die Strategieleistung zu überwachen. Das TLA-Python-Modul wird verwendet, um die Parameter für die technischen Indikatoren festzulegen und so den Designprozess zu vereinfachen.
Der Kursleiter erklärt, wie man Handelsregeln definiert und Handelssignale mithilfe technischer Indikatoren wie EMA, Stochastic Fast und Stochastic Slow Oscillators generiert. Es werden fünf Handelsbedingungen zur Generierung von Kaufsignalen dargelegt und auch Handelsregeln für Short-Positionen entworfen. Der nächste Schritt besteht darin, die Strategie mithilfe eines Python-Notizbuchs erneut zu testen, um ihre praktische Leistung zu bewerten. Die Darstellung der Strategierenditen zeigt, dass der Algorithmus zunächst Verluste erlitt, ab 2018 jedoch an Fahrt gewann und am Ende des Testzeitraums schließlich einen Gewinn erzielte. BlueShift wird eingeführt, eine Plattform, die die einfache Erforschung, Konstruktion und das Backtesting von Algorithmen ermöglicht.
Es folgt eine Demonstration des Backtestings von Bank of America-Aktien mithilfe der BlueShift-Plattform. Die Plattform bietet Datenpflege und eine einfache Codezeile zum Importieren von Daten in Python. Indikatoren und Handelsregeln werden definiert und Trades werden automatisch ausgeführt, basierend auf der Erfüllung von Long- und Short-Bedingungen. Der Backtest wird von Januar 2020 bis Oktober 2021 mit einem Kapital von 10.000 US-Dollar durchgeführt und die Performance mit der S&P 500-Benchmark verglichen. Die Ergebnisse zeigen eine Kapitalrendite von 113 %. Detaillierte Backtest-Ergebnisse können eingeholt werden, um monatliche Renditen, ausgeführte Geschäfte und verwendete Margen zu analysieren und so bessere Handelsentscheidungen zu erleichtern.
Der Referent zeigt, wie man auf der BlueShift-Plattform auf umfassende Backtest-Ergebnisse zugreifen kann, einschließlich visueller Darstellungen von Leistungsmetriken wie Algorithmusrenditen und monatlichen Rendite-Heatmaps. Die vom Algorithmus eingenommenen Positionen werden analysiert und wichtige Kennzahlen wie der Gesamtgewinn aus Long- und Short-Seiten werden untersucht. Risikoparameter und Orderlimits können vor der Umsetzung der Strategie in Echtzeit konfiguriert werden, entweder durch Papierhandel oder mit echtem Kapital.
Der Prozess der Auswahl eines Brokers und der Festlegung von Kapital- und Algorithmusparametern für den Papierhandel mithilfe der BlueShift-Handelsplattform wird erläutert. Benutzer können aus verschiedenen Optionen wählen, beispielsweise Alpaca für US-Aktien, OANDA für Devisen und Master Trust für den Handel auf indischen Märkten. Der Referent demonstriert, wie BlueShift zur Festlegung der Risikomatrix mit einem Drawdown-Limit von 30 % und Order- und Größenlimits von 1.000 bzw. 10.000 verwendet wird. Benutzer haben die Flexibilität, sich je nach Wunsch für die automatische Ausführung oder die Ein-Klick-Bestätigungsmethode zu entscheiden. Sobald der Benutzer auf „Bestätigen“ klickt, beginnt der Algorithmus zu laufen und BlueShift stellt eine Verbindung mit der Alpaca-Papierhandelsfraktion her. Das Dashboard aktualisiert kontinuierlich Handelskapital, Trades, Positionen und andere relevante Informationen in Echtzeit.
Der Redner hebt zwei für den quantitativen Handel wesentliche Produkte hervor: Conda und BlueShift. Conda wird verwendet, um Daten aus verschiedenen Quellen zu erhalten, darunter Aktienkurse, Kryptowährungen, Nachrichten und soziale Medien. Der Kurs erklärt, wie man mithilfe von APIs auf grundlegende Berichte zugreift oder Social-Media-Daten in Handelssysteme extrahiert. BlueShift, das zweite Produkt, wird zum Entwerfen und Testen von Strategien unter Verwendung ökonometrischer Modelle und Zeitreihenanalysen verwendet. Der Kurs bietet Beispiele und Code für verschiedene Handelsstrategien wie Mean-Diversion-Handelsstrategien, Momentum-Handelsstrategien und Day-Trading-Strategien. Darüber hinaus behandelt der Kurs „Portfoliomanagement mithilfe von Machine Learning Hierarchical Disparity“, um Portfoliomanagement und Risikokontrolle mithilfe von Methoden des maschinellen Lernens zu erleichtern. BlueShift ermöglicht das Backtesting von Handelsstrategien anhand einer Vielzahl von Datensätzen.
Die Verfügbarkeit verschiedener Datensätze für die Ausübung des quantitativen Handels wird diskutiert, darunter US-Aktien, Kryptowährungen, Devisen, indische Aktien und Immobiliendaten. Cloudbasierte und Desktop-basierte Bereitstellungen werden erläutert, wobei die cloudbasierte Ausführung vom Broker übernommen wird. Eine Desktop-basierte Integration kann mithilfe der IBridgePy-Software erreicht werden, die eine Verbindung zu Brokern wie Interactive Brokers oder eTrade herstellt. Den Studierenden, die an der Sitzung teilnehmen, wird ein Code für einen Rabatt von 60 % auf alle auf der ContraQuant-Website verfügbaren Kurse angeboten. Die Website bietet Kurse an, die für Anfänger, Fortgeschrittene und Fortgeschrittene geeignet sind und ein breites Spektrum an Konzepten wie neuronale Netze, Verarbeitung natürlicher Sprache (NLP), Momentum-Strategien, Optionen, Futures und Paarhandel abdecken.
Prognostizieren Sie tägliche Aktienkurse und automatisieren Sie eine Day-Trading-Strategie
Prognostizieren Sie tägliche Aktienkurse und automatisieren Sie eine Day-Trading-Strategie
Im Einführungswebinar stellt der Moderator das Hauptthema der Sitzung vor, nämlich die Vorhersage täglicher Aktienkurse und die Automatisierung einer Day-Trading-Strategie. Die Sitzung umfasst zwei Projektpräsentationen. Der erste Vortrag stammt von Renato Otto aus Großbritannien, der die Vorhersage täglicher Aktienkurse mithilfe eines Zufallswaldklassifikators, technischer Indikatoren und Stimmungsdaten erörtert. Renato Otto wird als erfahrener Mensch vorgestellt, der an der Entwicklung von Software und Tools zur quantitativen Analyse und systematischen Identifizierung von Marktmanipulationen im britischen Energiemarkt beteiligt ist.
Renato Otto teilt die Motivation hinter dem Abschluss des Projekts und erklärt, dass es eine Gelegenheit war, sein Wissen in Python-Programmierung, Datentechnik und maschinellem Lernen in einem End-to-End-Projekt zu festigen. Das Projekt zielte darauf ab, seine Fähigkeiten zu verbessern und die Leistungsfähigkeit des maschinellen Lernens und der Verarbeitung natürlicher Sprache im Handel zu erkunden. Darüber hinaus bestand das Ziel darin, etwas wiederverwendbares zu schaffen, das andere für ihre eigenen Analysen oder Strategieumsetzungen verwenden können. Das Projekt umfasst neun Schritte, beginnend mit der Definition der Analysedetails in einem Wörterbuch und der Initialisierung einer Pipeline. Anschließend wird das Programm ausgeführt, um den für Backtesting-Berechnungen erforderlichen Datensatz abzurufen. Der Moderator betont, wie wichtig es ist, die Benutzerfreundlichkeit des Programms zu testen und die Zuverlässigkeit der endgültigen Zahlen sicherzustellen.
Der Referent erläutert die Methoden des Backtestings einer Daytrading-Strategie. Sie besprechen die Backtest-Strategieklasse, die aus verschiedenen Methoden zur Datenvorverarbeitung, zum Modelltraining und -test sowie zur Analyse der Strategieleistung besteht. Die Ausgabe des Backtesting-Prozesses umfasst Tabellen und Diagramme, die die Kapitalrendite, das Sharp Ratio, den maximalen Drawdown und andere relevante Parameter zeigen. Während Backtesting dabei hilft, die potenzielle Rentabilität der Strategie zu bestimmen, weist der Redner darauf hin, dass dadurch bestimmte Aspekte vereinfacht werden, die beim Live-Handel möglicherweise nicht zutreffen. Der Redner erwähnt die neueste Verbesserung des Programms, bei der die Parameter aktualisiert werden, um die tatsächlichen Handelsbedingungen widerzuspiegeln, einschließlich Transaktionsgebühren und Kontogröße.
Im Rahmen des Vortrags geht der Referent auch auf die Herausforderungen bei der Entwicklung des Programms ein. Eine Herausforderung bestand darin, ein interaktives Menü zu implementieren, das Benutzer zur Eingabe von Daten auffordert, was zusätzlichen Denk- und Entwicklungsaufwand erforderte. Der Referent meint jedoch, dass es sich gelohnt habe, da das Programm dadurch benutzerfreundlicher geworden sei. Zu den weiteren Herausforderungen gehörte die Suche nach Lösungen für die Berechnung von Leistungskennzahlen und die Wahrung der Work-Life-Balance. Um diese Herausforderungen zu meistern, empfiehlt der Moderator Strategien wie das Zeichnen von Diagrammen, das Schreiben von Kommentaren als Sprungbrett zum Programmieren, das Einlegen von Pausen, die Durchführung von Online-Suchen und die Festigung von Wissen. Der Moderator hebt auch die durch das Projekt erzielten Erfolge hervor, wie z. B. die Festigung von Kenntnissen im Bereich quantitativer Finanzen und Programmierkenntnisse, die Gewinnung von Selbstvertrauen bei der Verwaltung eines Projekts von Anfang bis Ende und die Demonstration der Leistungsfähigkeit des maschinellen Lernens bei der Vorhersage von Aktienkursen.
Der Redner bespricht seine Pläne für zukünftige Projekte nach Abschluss des aktuellen. Sie erwähnen ihre Absicht, neue Strategien mit unterschiedlichen Vermögenswerten zu studieren, ihr Wissen durch ihren Blog und die Interaktion mit anderen Enthusiasten zu erweitern, neue Strategien und Modelle für maschinelles Lernen zu erforschen und schließlich profitable Strategien im Live-Handel umzusetzen. Der Referent teilt seine Kontaktinformationen für weitere Fragen oder Anfragen zum Projekt mit. Das Publikum stellt mehrere Fragen, darunter die Anzahl der langen Nächte, die für das Projekt aufgewendet wurden, und ob das Programm für den Handel mit Kryptowährungen verwendet werden kann.
Bezüglich der für das Projekt verwendeten Daten erklärt der Erfinder, dass er das Modell seit der Gründung des Unternehmens im Jahr 2009 anhand der täglichen Tesla-Preise trainiert habe. Der Trainingsprozess dauerte fünf Monate und das Modell wurde einige Jahre lang getestet. Im Hinblick auf die Risikominderung erwähnt der Ersteller, dass man mit einem maschinellen Lernmodell nicht viel tun kann, um das Risiko zu reduzieren, aber er hat eine angemessene Anzahl von Trades bewertet, um sicherzustellen, dass die meisten davon profitabel waren. Der Ersteller beantwortet auch Fragen zum Zeitrahmen für die Preisvorhersage und zur Notwendigkeit eines leistungsstarken PCs zum Trainieren des Modells.
Der Referent erläutert den Prozess des Modelltrainings und erörtert die Vorteile des algorithmischen Handels gegenüber diskretionären Systemen. Sie erwähnen, dass es möglich ist, ein Modell mit einem Computer ohne GPU zu trainieren, obwohl es mehrere Stunden dauern kann, bis man zu einem funktionierenden Modell gelangt. Sie raten jedoch davon ab, sich regelmäßig auf diesen Ansatz zu verlassen. Bei der Erörterung der Vorteile des algorithmischen Handels betont der Redner die statistische Sicherheit, dass die meisten Geschäfte profitabel sind, was sie im Vergleich zum diskretionären Handel lukrativer macht. Abschließend bringt der Redner seine Erwartungen an das EPAC-Programm zum Ausdruck und erklärt, dass es ihnen die Grundlagen zum Verständnis des algorithmischen Handels und die notwendigen Werkzeuge für die Wahl ihrer Spezialisierung vermittelt habe.
Als nächstes wird der zweite Redner, Usual Agrawal aus Indien, als quantitativer Händler und Geschäftsinhaber vorgestellt. Agrawal berichtet von seinen Handelserfahrungen auf den indischen Märkten in den letzten vier Jahren und von den Herausforderungen, mit denen sie bei der Führung ihres Geschäfts neben dem Vollzeithandel konfrontiert waren. Um diese Herausforderungen zu meistern, beschloss Agrawal, seine Handelseinstellungen mithilfe des EPAT-Kurses und der bedingungslosen Unterstützung des Quantum City-Teams zu automatisieren. In ihrer Präsentation stellt Agrawal ihr vollautomatisches Handelssystem namens „Intraday Straddles“ vor, das unkorrelierte Setups kombiniert, um angemessene Renditen bei minimalen Drawdowns zu erzielen. Sie diskutieren ihren Ansatz zur Datenerfassung, zum Backtesting, zum Fronttest, zum Einsatz und zur Leistungsbewertung ihrer Handelsstrategie.
Während der Präsentation geht der Redner auf die Details der Daten, Systeme und Parameter ein, die zum Backtest seiner Day-Trading-Strategie verwendet werden. Ihre Strategie besteht darin, Straddles und Strangles für die Futures- und Optionsdaten von Nifty und Bank Nifty innerhalb eines Zeitrahmens von einer Minute zu erstellen. Der Redner verwendete Daten aus zwei Jahren von März 2019 bis März 2021, die sowohl einen Zeitraum geringer Volatilität als auch die COVID-19-Pandemie abdeckten. Sie erläutern die verschiedenen Klassen, die für das Backtesting verwendet werden, und die getesteten Parameter, einschließlich der Variationen bei den Stop-Loss-Niveaus. Abschließend stellt der Referent die Ergebnisse des Backtesting-Prozesses vor.
Anschließend bespricht der Moderator die Ergebnisse seines Backtestings und Fronttests der Daytrading-Strategie. Während der Backtesting-Phase erzielten sie eine Nettorendite von 3,15 Lakhs, was einer jährlichen Rendite von 52,9 % entspricht. Die Trefferquote wurde sowohl normal als auch normalisiert berechnet, wobei letzteres ein realistischeres Bild liefert. Das scharfe Verhältnis wurde mit 3,78 ermittelt, und die Aktienkurve erhielt gute Unterstützung durch einen dreimonatigen einfachen gleitenden Durchschnitt. Während der ersten Testphase entwickelte sich die Strategie jedoch nicht wie erwartet und brachte in 11 Monaten nur 70.000 Rupien ein, was einer jährlichen Rendite von 25 % entspricht. Die Aktienkurve blieb flach, was darauf hindeutet, dass sich die Strategie derzeit möglicherweise nicht gut entwickelt und einer weiteren Analyse bedarf. Der Referent berichtet auch über die wichtigsten Herausforderungen und Lehren, die im Laufe des Projekts gezogen wurden, wobei bei der Datenerfassung große Schwierigkeiten auftraten.
Der Redner erörtert einige der Herausforderungen, die bei der Entwicklung der Day-Trading-Strategie auftreten. Ein großes Hindernis bestand darin, zuverlässige Intraday-Optionsdaten zu erhalten, was den Kauf von Daten von Drittanbietern erforderlich machte. Eine weitere Herausforderung war die potenzielle Stichprobenverzerrung, da man sich ausschließlich auf die Daten der letzten zwei Jahre konzentrierte, die möglicherweise nicht genau die Gesamtleistung der Strategie widerspiegeln. Darüber hinaus weist der Redner auf einen Überfüllungseffekt auf dem Markt hin, da viele Händler ähnliche Strategien anwenden. Der Referent erläutert seine Entscheidung, die Strategie unabhängig zu entwickeln und individuelle Anpassungen zu ermöglichen. Abschließend werden laufende Bewertungen der Strategie und Bemühungen zu ihrer Diversifizierung zur Verbesserung der Effizienz hervorgehoben.
Der Redner geht auf Fragen des Publikums ein, darunter, ob das Programm manuell oder automatisiert über Cloud-Plattformen ausgeführt wird, und wie sie die Aktien für den Verkauf von Straddles und den typischen Stop-Loss-Abstand im Verhältnis zur Prämie ausgewählt haben. Die Strategie gilt aufgrund von Liquiditätsproblemen nur für den Nifty-Index und den Bank Nifty-Index, und der Sprecher bereinigt die Daten durch Versuch und Irrtum, korrigiert Formatänderungen und entfernt Tage mit Datenfehlern.
Der Referent beantwortet zwei zusätzliche Fragen im Zusammenhang mit seiner Daytrading-Strategie. Sie besprechen den zum Testen verwendeten Stop-Loss-Prozentsatz und die Herausforderungen, denen sie beim Programmieren ohne Hintergrundkenntnisse in Computertechnik gegenüberstanden. Sie erklären, wie sie diese Herausforderungen mithilfe des EPAT-Programms und der Mentorschaft von Quadency gemeistert haben. Darüber hinaus gibt der Redner Ratschläge für angehende Quants und algorithmische Händler und betont, wie wichtig es ist, bei der praktischen Umsetzung einer Handelsstrategie Vorsicht walten zu lassen und ein angemessenes Risikomanagement zu implementieren.
Der Redner betont die Bedeutung der Diversifizierung von Handelsstrategien und wie sie dazu beitragen kann, Drawdown-Phasen einer Strategie zu bewältigen, während andere weiterhin gute Leistungen erbringen. Sie betonen die Notwendigkeit, jede Strategie gründlich zu testen und sich Zeit zu nehmen, um ihre Nuancen kennenzulernen und sie effektiv zu kombinieren. Es ist wichtig zu beachten, dass die während der Sitzung weitergegebenen Informationen nicht als Handelsberatung gedacht sind.
Der Gastgeber schließt das Webinar ab, indem er dem Redner Visual seinen Dank dafür ausspricht, dass er sein Projekt und seine Erfahrungen mit uns geteilt hat. Sie informieren das Publikum darüber, dass die Sitzungsaufzeichnung auf ihrem YouTube-Kanal verfügbar sein wird und dass die Teilnehmer eine E-Mail mit den erforderlichen Codes und GitHub-Links zu den besprochenen Strategien erhalten. Der Gastgeber freut sich darauf, in den kommenden Monaten weitere interessante Sitzungen zu veranstalten und das Wissen und Verständnis des Publikums weiter zu bereichern.
Das Webinar lieferte wertvolle Einblicke in die Vorhersage täglicher Aktienkurse und die Automatisierung von Daytrading-Strategien. Der erste Vortrag von Renato Otto konzentrierte sich auf die Vorhersage von Aktienkursen mithilfe eines Random-Forest-Klassifikators, technischer Indikatoren und Stimmungsdaten. Die zweite Präsentation von Usual Agrawal stellte ihr vollautomatisches Handelssetup „Intraday Straddles“ vor, das unkorrelierte Setups kombiniert, um Renditen mit minimalen Drawdowns zu erzielen. Beide Moderatoren teilten ihre Herausforderungen, Erfolge und Erkenntnisse und boten dem Publikum wertvolle Lektionen. Das Webinar diente als Plattform, um die Leistungsfähigkeit des maschinellen Lernens und der Verarbeitung natürlicher Sprache im Handel zu erkunden und gab einen Einblick in die spannende Welt des algorithmischen Handels.
Implementierung eines Preismodells und einer dynamischen Asset Allocation: Webinar zum Algo Trading Project
Implementierung eines Preismodells und einer dynamischen Asset Allocation: Webinar zum Algo Trading Project
Während des Webinars stellt der Moderator den ersten Redner vor: Evgeny Teshkin, einen leitenden quantitativen Analysten aus Russland. Teshkin stellt sein Projekt zur Implementierung eines Preismodells mithilfe der Kalman-Filterung vor, das sich an Marktregime anpasst. Er erklärt, dass das Projekt als pädagogisches Beispiel dafür dient, wie quantitative Techniken des maschinellen Online-Lernens bei der Entwicklung von Strategien eingesetzt werden können.
Teshkin betont die Vorteile von Online-Lerntechniken, die eine tiefere Automatisierung und Echtzeithandel ermöglichen und ihn effizienter machen als herkömmliche Modellumschulungen. Das Hauptziel seines Projekts besteht darin, Handelsstrategien zu entwickeln, die einfache Sektorinvestitionen verbessern, mit besonderem Fokus auf den großen Technologiesektor des US-amerikanischen Aktienmarktes, darunter Unternehmen wie Facebook, Apple, Netflix, Google, Amazon und Microsoft.
Anschließend erörtert der Redner den Ansatz, den er zur Implementierung eines Preismodells und einer dynamischen Asset-Allokation für sein Algo-Trading-Projekt verwendet hat. Er erklärt, dass er statistische und quantitative Techniken für Long-Only-Positionen einsetzte, Ein- und Ausstiegspunkte auswählte und unter- oder überbewertete Preise im Vergleich zu anderen Aktien des Sektors ermittelte.
Um dies zu erreichen, nutzte Teshkin verschiedene Modelle wie lineare Regression, Hauptkomponentenanalyse (PCA) und Kalman-Filter. Diese Modelle halfen dabei, Residuen zu berechnen und optimale Koeffizienten für die statistische lineare Streuung zwischen korrelierten Aktien innerhalb des Sektors zu finden. Er betont die Bedeutung des relativen Werts und erklärt, dass der Online-Lernansatz ein Rückschaufenster von einem Jahr nutzte und dabei Eingaben wie den Aktienkurs und den Zahnärzteindex berücksichtigte.
Der Redner geht auf die verschiedenen Modelle ein, die er zur Lösung von Datenanalyseproblemen in seinem Algo-Trading-Projekt eingesetzt hat. Er erwähnt die Verwendung von Techniken wie der Extraktion orthonormaler, nicht korrelierter Varianzkomponenten, des Kalman-Filters und versteckter Markov-Modelle. Er erklärt, wie diese Modelle in seinen Ansatz integriert wurden und stellt Ressourcen für weiteres Lernen bereit. Darüber hinaus bespricht er die Ergebnisse seines Projekts und verrät einige Tricks, die er angewendet hat, um potenziell profitable Positionen zu erhöhen.
Als Nächstes erläutert der Redner, wie es ihm gelang, den Markt zu schlagen, indem er Aktien auf der Grundlage einfacher Tagesendkurse und Deltas kaufte und verkaufte. Er erklärt, dass die mit dieser Strategie verbundenen Risiken durch die Verwendung mehrerer Ein- und Ausstiege überwunden wurden, die durch Online-Relativpreistechniken ermittelt wurden. Er erforscht das Konzept der aktienrelativen Preisgestaltung zur Bestimmung von Ein- und Ausstiegen sowie den Einsatz von Online-Maschinenlernen zur Erstellung automatisierter Echtzeit-Preismodelle.
Der Redner ermutigt das Publikum, sein Projekt online zu erkunden, bietet die Möglichkeit, den Code herunterzuladen und sich bei weiteren Fragen an das Publikum zu wenden. Sie erwähnen außerdem, dass das Webinar aufgezeichnet und zusammen mit der Präsentationsdatei und relevanten Links auf ihrem YouTube-Kanal verfügbar gemacht wird. Während der Sitzung interagiert der Redner mit dem Publikum, beantwortet Fragen zu deren Teilnahme an Algo-Trading-Wettbewerben und klärt, ob die präsentierten Ergebnisse aus tatsächlichem Handel oder nur Backtesting stammen.
Im Anschluss an die Präsentation geht der Webinar-Moderator auf mehrere Fragen der Zuschauer zum Algo-Trading-Projekt ein. Sie behandeln Themen wie die Verwendung linearer Regression für eine optimale Korrelation, die Leistung der Buy-and-Hold-Strategie im Vergleich zur optimierten Handelsstrategie und die Einbeziehung verborgener Zustände in das statistische Modell. Der Moderator gibt aufschlussreiche Antworten, geht auf die Projektdetails ein und erläutert die Entscheidungsfindung hinter seinem Ansatz.
Das Webinar geht dann zur Einführung des nächsten Projekts über, das sich auf die dynamische Vermögensallokation mithilfe neuronaler Netze konzentriert. Der Redner erklärt, dass ihr Projekt darauf abzielt, ein automatisiertes System für die Strategie „Heute kaufen, morgen verkaufen“ für Bankaktien mit minimalem manuellen Eingriff aufzubauen. Sie diskutieren die Modellentwicklung, Strategieumsetzung und Risikomanagementaspekte ihres Projekts und betonen dabei den Einsatz von Deep-Learning-Modellen, die auf historischen Daten für raffinierte Bankaktien trainiert werden.
Der Redner erläutert die Strategie, bei der die Ergebnisse verschiedener Modelle kombiniert werden, um die erwartete Rendite für jede Aktie zu bestimmen. Basierend auf diesen Verhältnissen werden die Mittel auf die jeweiligen Aktien verteilt. Der Risikomanagement-Teil des Projekts befasst sich mit Themen wie Transaktionskosten und Automatisierung. Der Redner betont die Bedeutung eines effektiven Risikomanagements im Handelsalgorithmus.
Anschließend bietet der Referent weitere Einblicke in die Strategie, das Risikomanagement und die Herausforderungen, denen man sich bei der Entwicklung des Handelsalgorithmus gegenübersieht. Sie erläutern die Implementierung einer konvergenten Architektur sowohl für das probabilistische Renditemodell als auch für das Renditemodell. Die Strategie besteht darin, die erwartete Rendite für jede Aktie zu berechnen und sie durch die Renditevolatilität zu dividieren, um ein Verhältnis zu erhalten. Die verfügbaren Mittel werden dann anteilig auf Aktien mit positiven Kennzahlen verteilt, während Portfolios proportional zu den erwarteten Verlusten verkauft werden. Der Algorithmus wird kontinuierlich aktualisiert und zur Risikominderung werden Stop-Loss-Mechanismen eingesetzt. Der Redner erkennt die Herausforderungen bei der Automatisierung des Aktualisierungsprozesses an und erwähnt das Fehlen einer Marktmikrostrukturstrategie zur Bestimmung optimaler Kauf- oder Verkaufspreise.
Anschließend erörtert der Redner die Ergebnisse seiner Backtesting-Bemühungen und die Auswahl einer 20-Tage-Kombination als die am besten geeignete für sein Modell. Sie erwähnen auch bevorstehende Schritte im Projekt, darunter die Integration textueller Nachrichtenbewertungen für Bankaktien und die Entwicklung einer Android-App-basierten Lösung zur weiteren Automatisierung. Das Publikum hat die Möglichkeit, Fragen zu stellen, was zu Diskussionen zu Themen wie Backtesting-Ergebnissen und der Verwendung von Stop-Loss-Mechanismen im Modell führt. Der Redner teilt mit, dass die Backtesting-Renditen anständig waren und über einen bestimmten Zeitraum Muster von etwa 5 % ergaben. Sie erwähnen auch eine Beta-Testphase, die in den letzten sechs Monaten eine Rendite von fast 10 % erbrachte.
Auf eine Publikumsfrage zur Umsetzung eines Stop-Loss erklärt der Referent, dass man für jede Aktie einen Stop-Loss von fünf Prozent des Portfoliowerts pro Anlagewert eingebaut habe. Wenn der Verlust einer Aktie fünf Prozent der Investition erreicht, wird sie automatisch aus dem Portfolio entfernt, um den maximalen Verlust auf fünf Prozent zu begrenzen. Der Redner geht außerdem auf Fragen zur Leistung einer dynamischen Asset Allocation im Vergleich zu einer einfachen Buy-and-Hold-Strategie ein. Sie betonen, dass der Vergleich mit der Nifty Bank eine angemessene Leistung mit einer Rendite von nahezu fünf Prozent erbrachte. Der Redner erläutert auch seine Entscheidung, sich auf den Bankensektor zu konzentrieren, da dieser die allgemeinen Marktbedingungen widerspiegelt, und erwähnt, dass sein Hintergrund im maschinellen Lernen seine Weiterbildung für das Projekt erleichtert hat.
Im Anschluss an die Projektpräsentationen teilt ein Teilnehmer seine positiven Erfahrungen mit EPAT und betont dessen Wert im Hinblick auf theoretisches Lernen und praktische Umsetzung. Sie drücken ihre Wertschätzung dafür aus, dass sie ein mathematisches Verständnis für die Preisgestaltung von Optionen und Futures erlangt haben, und loben das Supportsystem des Programms sowie den engagierten Leistungsmanager, der wertvolle Hinweise gegeben hat. Obwohl der Kurs anspruchsvoll war, glaubt der Teilnehmer, dass er für die persönliche und berufliche Weiterentwicklung von wesentlicher Bedeutung war. Sie ermutigen angehende Händler, ihr Wissen über ihre derzeitigen Stärken hinaus zu erforschen und zu erweitern, während sie sich nach und nach mit Handelsgeschäften vertraut machen.
Im Schlussteil betonen die Referenten die Bedeutung einer möglichst schnellen Anwendung des erworbenen Wissens in realen Szenarien. Sie empfehlen die Nutzung des iPad-Kurses für tägliche Handelsexperimente, um kontinuierliches Lernen und Wachstum zu erleichtern. Das Webinar endet mit einem Dank an die Redner und das Publikum sowie der Bitte um Themenvorschläge für zukünftige Webinare.
Anwendung maschinellen Lernens im Handel von Ishan Shah und Rekhit Pachanekar | Tag 7 der Algo-Handelswoche
Anwendung maschinellen Lernens im Handel von Ishan Shah und Rekhit Pachanekar | Tag 7 der Algo-Handelswoche
Ishan Shah und Rekhit Pachanekar, die Moderatoren des Webinars, stellen sich zunächst vor und äußern ihre Vorfreude auf den letzten Tag der Algo-Handelswoche. Sie geben die Gewinner des Algo-Trading-Wettbewerbs bekannt und loben ihre Leistungen. Sie erwähnen, dass der Schwerpunkt der Tagespräsentation auf maschinellem Lernen und seinen Anwendungen im Handel liegen wird. Sie informieren das Publikum auch darüber, dass es am Ende der Präsentation eine Frage-und-Antwort-Runde geben wird.
Rekhit Pachanekar übernimmt die Leitung beim Start des Webinars und taucht in die Grundlagen des maschinellen Lernens ein. Am Beispiel der Bilderkennung erklärt er, wie maschinelles Lernen es Algorithmen ermöglicht, aus Daten zu lernen und ohne aufwändige Programmierung Entscheidungen zu treffen. Anschließend erörtert er die Rolle des maschinellen Lernens im Handel und bei Investitionen, insbesondere bei der Erstellung personalisierter Anlageportfolios auf der Grundlage verschiedener Datenpunkte wie Gehalt, Beruf und Region. Maschinelles Lernen hilft auch bei der Gewichtung von Vermögenswerten in einem Portfolio und hilft bei der Entwicklung von Handelsstrategien. Pachanekar hebt die Geschwindigkeit und Datenanalysefähigkeiten des maschinellen Lernens hervor, die von Hedgefonds, Pensionsfonds und Investmentfonds für Anlage- und Handelsentscheidungen genutzt werden.
Im weiteren Verlauf befassen sich Ishan Shah und Rekhit Pachanekar mit den sieben Schritten, die zum Aufbau eines maschinellen Lernmodells für den Handel erforderlich sind. Sie betonen, dass sogar einzelne Einzelhändler die Technologie des maschinellen Lernens nutzen können, um ihre eigenen Handelsstrategien zu entwickeln. Der erste Schritt, den sie besprechen, ist die Definition der Problemstellung, die von einem allgemeinen Wunsch nach positiven Renditen bis hin zu spezifischeren Zielen wie der Bestimmung des richtigen Zeitpunkts für die Investition in eine bestimmte Aktie wie JP Morgan reichen kann. Der zweite Schritt besteht darin, qualitativ hochwertige Daten zu erfassen und sicherzustellen, dass keine fehlenden oder doppelten Werte und keine Ausreißer vorhanden sind. Die Referenten betonen die Bedeutung der Datenqualität für die Erstellung eines genauen Modells für maschinelles Lernen.
Shah und Pachanekar erläutern anschließend den Prozess der Auswahl von Eingabe- und Ausgabevariablen für ein maschinelles Lernmodell im Handel. Sie heben die Ausgabevariable oder Zielvariable hervor, die die zukünftige Rendite einer Aktie darstellt. Sie erwähnen, dass einer Signalvariablen der Wert 1 zugewiesen wird, wenn zukünftige Renditen als positiv vorhergesagt werden, und 0, wenn sie als negativ vorhergesagt werden. Die Eingabevariablen oder Merkmale müssen über eine Vorhersagekraft verfügen und die Stationaritätsanforderung erfüllen, d. h. sie weisen eine mittlere und konstante Varianz auf. Sie betonen, dass Variablen wie Eröffnung, Tief, Hoch und Schluss nicht stationär sind und nicht als Eingabemerkmale verwendet werden können.
Als nächstes diskutieren die Referenten die Auswahl der Eingabefunktionen für ihr maschinelles Lernmodell im Handel. Sie erklären die Notwendigkeit stationärer Eingabemerkmale und erreichen dies durch die Verwendung prozentualer Änderungswerte für verschiedene Zeiträume. Sie betonen außerdem, wie wichtig es ist, Korrelationen zwischen Eingabevariablen zu vermeiden, und demonstrieren die Verwendung einer Korrelations-Heatmap zur Identifizierung und Eliminierung stark korrelierter Merkmale. Die endgültige Auswahl der Eingabefunktionen umfasst prozentuale Änderungswerte für verschiedene Zeiträume, RSI (Relative Strength Index) und Korrelation. Bevor sie das Modell für den Live-Handel verwenden, teilen sie den Datensatz in Trainings- und Testsätze auf, um seine Leistung zu bewerten.
Die Redner betonen, wie wichtig es ist, die Qualität und Relevanz der in maschinellen Lernmodellen verwendeten Datensätze sicherzustellen. Sie stellen das Konzept von Entscheidungsbäumen vor und fragen nach den persönlichen Entscheidungsprozessen der Teilnehmer beim Kauf von Aktien oder Vermögenswerten. Dabei reichen die Antworten von technischen Indikatoren bis hin zu Empfehlungen von Freunden. Sie bekräftigen die Notwendigkeit, bei der Nutzung solcher Funktionen ein mentales Modell für die Entscheidungsfindung zu etablieren, das auf persönlichen Erfahrungen basiert. Sie führen Zufallswälder ein, um Probleme der Überanpassung zu überwinden, und erläutern die Verwendung von Bayes'schen Bäumen als Grundlage für Entscheidungsbäume.
Shah und Pachanekar erklären, wie Algorithmen des maschinellen Lernens, insbesondere Entscheidungsbäume, genutzt werden können, um Regeln für den Handel zu erstellen. Diese Regeln, die technische Indikatoren wie ADX (Average Directional Index) und RSI einbeziehen, ermöglichen es Händlern, Entscheidungen auf der Grundlage vordefinierter Bedingungen zu treffen. Um sicherzustellen, dass diese Regeln nicht nur auf Glück basieren, stellen die Moderatoren das Konzept eines Zufallswaldes vor. Sie erklären, dass ein Random Forest mehrere Entscheidungsbäume kombiniert, um eine allgemeinere und zuverlässigere Handelsstrategie zu erstellen. Durch die zufällige Auswahl einer Teilmenge von Merkmalen für jeden Baum verringert der Zufallswald die Wahrscheinlichkeit einer Überanpassung und liefert genauere Vorhersagen. Die Referenten diskutieren verschiedene Parameter, die für den Random-Forest-Algorithmus erforderlich sind, einschließlich der Anzahl der Schätzer, der maximalen Features und der maximalen Tiefe des Baums.
Anschließend befassen sich die Referenten mit der Implementierung eines Random-Forest-Klassifikators zur Anwendung von maschinellem Lernen im Handel. Sie betonen, wie wichtig es ist, die Tiefe des Entscheidungsbaums zu kontrollieren und Features zufällig auszuwählen, um eine Überanpassung zu vermeiden und konsistente Ergebnisse sicherzustellen. Der Random-Forest-Klassifikator lernt Regeln aus Eingabemerkmalen und erwarteten Ausgaben, die dann verwendet werden, um Vorhersagen zu unsichtbaren Daten zu treffen. Sie erwähnen auch, dass die Leistung des Modells anhand verschiedener Metriken gemessen werden kann.
Anschließend erörtern die Referenten die Bedeutung der Bewertung der Wirksamkeit eines Modells für maschinelles Lernen, bevor auf der Grundlage seiner Empfehlungen echte Geldinvestitionen getätigt werden. Sie führen das Konzept der Genauigkeit ein, bei dem überprüft wird, ob die Vorhersagen des Modells mit den tatsächlichen Marktergebnissen übereinstimmen. Sie betonen, dass die Genauigkeit eines Modells typischerweise zwischen 50 und 60 % liegt, und weisen darauf hin, dass eine hohe Genauigkeit keine Garantie für gute Ergebnisse ist. Sie schlagen vor, eine Verwirrungsmatrix zu verwenden, um tatsächliche mit vorhergesagten Bezeichnungen zu vergleichen und Leistungsmetriken wie Präzision, Erinnerung und F1-Score zu berechnen, um die Leistung des Modells zu bewerten.
Im Detail wird die Genauigkeit des Modells ausführlich besprochen und eine Umfrage durchgeführt, um die Genauigkeitsrate zu ermitteln, die auf 60 % geschätzt wird. Bei der etikettenbezogenen Überprüfung sinkt die Genauigkeit für das lange Signal jedoch auf 33 %. Dies wirft die Frage auf, ob eine Erhöhung der Gesamtgenauigkeit zu einem profitablen Handelsmodell führt. Die Referenten betonen, dass Genauigkeit ein entscheidender Faktor für die Wirksamkeit eines Modells bei der Vorhersage des Marktes ist. Sie weisen darauf hin, dass eine hohe Gesamtgenauigkeit nicht unbedingt zur Rentabilität führt und andere Faktoren berücksichtigt werden müssen.
Anschließend verlagern Shah und Pachanekar ihren Fokus auf die Erörterung verschiedener Metriken, die zur Bewertung der Leistung eines Handelsmodells verwendet werden, einschließlich Präzision, Rückruf und F1-Score. Sie weisen darauf hin, dass der Rückruf zwar dazu beitragen kann, Probleme mit unausgeglichenen Daten zu überwinden, dass er jedoch bei alleiniger Verwendung eine unzuverlässige Metrik sein kann. Stattdessen empfehlen sie die Verwendung einer Kombination aus Präzision und Erinnerung zur Berechnung des F1-Scores, was eine umfassendere Bewertung der Leistung des Modells ermöglicht. Sie betonen die Bedeutung eines Backtestings des Modells, um seine Wirksamkeit in realen Handelsszenarien sicherzustellen, und warnen vor einer Überanpassung des Modells.
Die Referenten gehen auf die Bedenken einer Überanpassung in realen Umgebungen ein und schlagen Strategien für den Umgang damit vor, die auf dem spezifischen verwendeten Modell des maschinellen Lernens basieren. Sie betonen, wie wichtig es ist, die Parameter des Modells zu verstehen, die Anzahl der Features zu begrenzen und an unterschiedlichen Hyperparametern für jeden Typ von Modellen für maschinelles Lernen zu arbeiten. Sie betonen, wie wichtig es ist, reale Daten ohne Manipulation zu nutzen. Darüber hinaus diskutieren sie die Anwendungen des maschinellen Lernens im Handel über die Generierung von Signalen hinaus, beispielsweise sein Potenzial im Risikomanagement. Sie gehen auch auf den Einsatz von Clustering-Algorithmen ein, um profitable Chancen auf dem Markt zu identifizieren.
Ishan Shah und Rekhit Pachanekar schließen das Webinar mit einer Diskussion über die Vorteile des Einsatzes von maschinellem Lernen im Handel, insbesondere bei der Entschlüsselung komplexer Muster, die für Menschen möglicherweise schwer zu erkennen sind. Sie schlagen vor, maschinelles Lernen als ergänzendes Werkzeug im Alpha-Identifizierungsprozess einzusetzen. Die Sitzung endet damit, dass die Referenten den Rednern und Teilnehmern der Algo Trading Week ihren Dank aussprechen und alle unbeantworteten Fragen einladen, über die Umfrage einzureichen.