Quantitativer Handel - Seite 23

[MetaQuotes]

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.

• 00:00:00 Der Gastgeber und der Gastredner stellen eine Tagesordnung für die Sitzung vor, beginnend mit der Definition und dem Verständnis der Volatilität auf den Finanzmärkten. Der Referent erläutert weiterhin, warum der VIX als „Angstindex“ bezeichnet wird und welche verschiedenen Arten von VIX und VIX-basierten Derivaten es gibt. Die Sitzung beinhaltet auch einen praktischen Ansatz zum Handel mit dem VIX, bevor sie mit einer Frage-und-Antwort-Runde endet. Der Moderator beschreibt, wie Menschen Volatilität mit instabilen Chemikalien oder Flüssigkeiten assoziieren und erklärt, wie sich dies auf den Handel auswirkt.
  
  
• 00:05:00 Tesla ist ein gutes Beispiel für eine sehr volatile Aktie, deren tägliche Renditen zwischen -20 % und +20 % schwanken. Aufgrund dieser starken Schwankung ist der Umgang mit diesem Vermögenswert riskant. Allerdings vermittelt die Betrachtung des Preisdiagramms allein keine klare Vorstellung davon, wie volatil ein Vermögenswert ist. Es sind die täglichen Renditen, die einen besseren Hinweis auf die Volatilität eines Vermögenswerts geben.
  
  
• 00:10:00 In dem Video wird die Verwendung von Volatilität über den reinen Optionshandel hinaus erörtert und wie sie bei Entscheidungen darüber, ob ein Vermögenswert als Ganzes gekauft werden soll, hilfreich sein kann. Das Video erklärt, dass die Volatilität anhand der Schwankungen eines Vermögenswerts kategorisiert werden kann und von hoher bis niedriger Volatilität reicht. Als Vergleich zu Tesla wird der S&P 500 herangezogen, da dieser eine deutlich geringere Volatilität aufweist. Das Video erläutert Methoden zur Messung der Volatilität, einschließlich Standardabweichung und Beta, die historische Werte der Volatilität liefern. Außerdem wird das Konzept der impliziten Volatilität eingeführt, bei der es sich um die Erwartung des Marktes darüber handelt, wie stark sich ein Vermögenswert in der Zukunft bewegen wird, die jedoch keine Vorstellung davon vermittelt, in welche Richtung diese Bewegung gehen wird.
  
  
• 00:15:00 Ein klares Verständnis davon, wie der VIX oder Volatilitätsindex berechnet wird und wie er die implizite Volatilität verschiedener Arten von Indexoptionen nutzt, um eine Vorstellung davon zu vermitteln, wie stark Änderungen sein können. Der VIX wird oft als „Angstindex“ bezeichnet und im Verhältnis zum S&P 500 dargestellt. Der VIX versucht normalerweise, niedrig zu bleiben, aber unerwartete Ereignisse können ihn in die Höhe schnellen lassen, daher der Angstaspekt. Die harte Arbeit hinter der Berechnung des VIX wird von der CBOE geleistet, die die Zahlen den Händlern zur Verfügung stellt, damit diese sich auf die Entwicklung des VIX und seine Beziehung zum zugrunde liegenden Index konzentrieren können. Insgesamt ist der VIX ein wichtiges Instrument für Händler, die das Marktrisiko mindern möchten.
  
  
• 00:20:00 Der Redner diskutiert die Beziehung zwischen dem VIX, auch Angstindex genannt, und dem S&P 500. Sie erklären, dass der VIX die Erwartung des Marktes darüber ist, wie volatil der Index in der Zukunft sein wird und wie er wann reagiert der S&P 500 sinkt aufgrund der Unsicherheit. Der Redner verwendet mehrere Beispiele, wie den Handelskrieg zwischen den USA und China und die COVID-19-Pandemie, um den Zusammenhang zwischen beiden zu verdeutlichen. Sie stellen klar, dass der VIX versucht, niedrig zu bleiben, aufgrund unerwarteter Ereignisse jedoch stark ansteigen kann, was zu erhöhter Volatilität führt. Wenn Händler jedoch neue Informationen verarbeiten, sinkt die Unsicherheit und damit auch die Volatilität.
  
  
• 00:25:00 Das Konzept des Angstindex oder VIX wird als Maß dafür eingeführt, wie groß die Angst der Händler vor negativen Nachrichten ist, die sich auf den Markt auswirken. Der VIX gilt nicht nur für den S&P 500, sondern kann auch auf andere geografische Gebiete wie die australische Börse, Aktien der Eurozone und den Hang Seng Index und sogar auf andere Anlageklassen wie Rohstoffe und Währungen angewendet werden. Der Bedarf für den VIX entsteht, weil Händler möglicherweise Marktvolatilität erwarten, aber er wird nicht der einzige Faktor bei der Bestimmung von Handelsentscheidungen sein, da die griechischen Optionen auch berücksichtigt werden. Somit dient der VIX als Instrument für Händler zum Handel mit Optionen auf der Grundlage der Marktvolatilität, und obwohl der VIX über kein Handelsinstrument verfügt, verfügt er über Derivate, die die Schätzung zukünftiger Volatilität ermöglichen, um den Handel zu erleichtern. Zu diesen Derivaten zählen Futures und Optionen.
  
  
• 00:30:00 Der Redner erklärt die verschiedenen Arten von VIX-Futures, die für den Handel verfügbar sind, darunter Standard-, Near-Month-, Next-Monats- und Far-Month-Abläufe sowie wöchentliche Abläufe. Während VIX-Futures teuer sein können, sind Mini-Futures zu einem Zehntel des Wertes erhältlich. Darüber hinaus können VIX-ETFs alternativ eingesetzt werden und ihren Wert aus VIX-Futures ableiten. Kurzfristige VIX-ETFs wie VIXY bilden Futures für den nahen und nächsten Monat ab, während mittelfristige VIX-ETFs wie VIXM mittelfristige Futures abbilden. Der Redner erwähnt auch inverse VIX-ETFs wie SVXY, die völlig invers zu VIX-Futures sind und an Wert gewinnen, wenn die Futures fallen. Letztendlich können Händler diese verschiedenen Arten von VIX-Futures und ETFs je nach ihrer Markteinschätzung nutzen.
  
  
• 00:35:00 Die verschiedenen Arten von VIX-basierten Derivaten werden besprochen, einschließlich VIX-ETFs und VIX Exchange Traded Notes (ETNs). VIX-ETFs haben zugrunde liegende VIX-Futures, während VIX-ETNs keinen Basiswert haben. Der VXX ist ein Beispiel für ein beliebtes VIX ETN. Es ist jedoch wichtig zu beachten, dass bei VIX-basierten Derivaten Risiken bestehen, und es ist wichtig, diese vor dem Handel zu verstehen. Es empfiehlt sich, Strategien vor dem Handel mit echtem Kapital zu testen und zu testen. Bei ETNs besteht ein Emittentenrisiko. Das heißt, wenn das Unternehmen, das die ETNs ausgibt, sein Versprechen nicht einhalten kann, steht das Kapital des Anlegers auf dem Spiel. Darüber hinaus haben VIX-Futures einen Contango-Effekt, der zu Risiken führen kann.
  
  
• 00:40:00 Der Redner erörtert die Konvergenz der VIX-Futures-Preise, wenn sie sich ihrem Ablaufdatum nähern, und die Wichtigkeit, vor dem Handel mit VIX-Futures auf der richtigen Seite des Handels zu sein. Anschließend erläutern sie eine einfache VIX-basierte Strategie, bei der der VIX zur Absicherung eines Portfolios in rückläufigen Zeiten verwendet wird, indem Long-Positionen auf VIX-Futures eingegangen werden. Diese Strategie wurde in einem Kurs zum Volatilitätshandel getestet und führte zwischen 2011 und 2021 unter Verwendung eines kombinierten Portfolios aus S&P 500- und VIX-Futures zu dreimal höheren Renditen. Der Redner betont die Notwendigkeit, Ideen einem Backtest zu unterziehen und sie in einer Papierhandelsumgebung auszuprobieren, bevor blind gehandelt wird.
  
  
• 00:45:00 Die Webinar-Moderatoren besprechen einen von ihnen entwickelten Kurs mit dem Titel „Volatility Trading Strategies for Beginners“, der sich darauf konzentriert, Händlern beizubringen, wie sie die Volatilität mithilfe verschiedener Methoden wie ATR, Standardabweichung, VIX und Beta messen können. Sie betonen, wie wichtig es ist, über die richtigen Werkzeuge und Kenntnisse zu verfügen, um ohne Angst vor Volatilität handeln zu können. Der Kurs ist für begrenzte Zeit mit 67 % Rabatt erhältlich und Teilnehmer des Webinars erhalten mit dem Gutscheincode VTS10 zusätzlich 10 % Rabatt. Die Moderatoren beantworten auch einige Fragen des Publikums, darunter, warum sie sich bei der VIX-Analyse auf den US-Markt konzentrieren und ob VIX ein Früh- oder Spätindikator für Preisbewegungen ist.
  
  
• 00:50:00 Der Redner erklärt, dass der VIX nahezu augenblicklich auf den S&P 500 reagiert. Der VIX-Bereich wird nicht besprochen, da die 30-Tage-Volatilität auf das Jahr hochgerechnet und angezeigt wird, sie liegt jedoch zwischen 0 und 100. Der VIX neigt dazu, eine unterschiedliche Phase zwischen 10 und 20 (niedrige bis mittlere Phase) und 20 bis 25 (mittlere Phase) zu haben. Darüber hinaus kann sich die Herdenhaltung auf den VIX auswirken, und es gibt Futures-Optionen für den India VIX, aber aufgrund des hohen Kapitalbedarfs ist dort nicht viel Liquidität vorhanden.
  
  
• 00:55:00 Das Video diskutiert verschiedene Fragen im Zusammenhang mit der Handelsvolatilität und dem VIX. Eine Frage befasst sich mit der Möglichkeit des Handels mit VIX-basierten Derivaten, während man in Indien ansässig ist, und die Antwort deutet darauf hin, dass einige Handelsplattformen dies ermöglichen, obwohl es sich noch um eine aufkommende Praxis handelt. Eine weitere Frage ist, ob die Nachrichtenstimmung als zusätzlicher Parameter in Optionspreismodellen einbezogen werden kann. In der Antwort wird darauf hingewiesen, dass der VIX eine andere Anlageklasse ist und nicht dieselben Modelle wie andere Optionen verwendet. Darüber hinaus diskutiert das Video die zugrunde liegenden Vermögenswerte von UVIX und SVIX und legt nahe, dass sie wie andere Vermögenswerte behandelt werden können, die für Handelsstrategien in Betracht gezogen werden sollen. Abschließend befasst sich eine Frage mit den Regeln für die kombinierte Portfoliostrategie, bei der ein Teil des Kapitals reserviert und reinvestiert wird, wenn der S&P 500 fällt.
  
  
• 01:00:00 Der Referent erläutert die Kriterien für Ein- und Ausstiegsregeln in einer kombinierten Portfoliostrategie. Die Einstiegsregel basiert auf dem Verhalten des S&P 500; Wenn er sinkt, kann ein Händler Kapital reservieren, um eine Long-Position beim VIX einzugehen. Der VIX steigt im Allgemeinen, wenn der S&P 500 fällt. Die Ausstiegsregel hingegen untersucht das Verhalten des S&P 500, um festzustellen, ob er den Bärenmarkt hinter sich gelassen hat und ob es der Wirtschaft gut geht (was auf einen Bullenmarkt hindeutet). Der Redner beantwortet auch die Frage, ob der VIX dem S&P 500 folgt oder umgekehrt, und erklärt, dass der VIX seinen Wert vom S&P 500 ableitet und diesem im Allgemeinen folgt, Händler jedoch Entscheidungen auf der Grundlage der VIX-Werte treffen können, die sich auf den Index auswirken können.

[MetaQuotes]

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

[MetaQuotes]

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.

• 00:00:00 Der Moderator stellt Dr. Luis Guidas vor, einen EPAT-Alumni, der sein Projekt zum Paarhandel an brasilianischen Aktienmärkten vorstellt. Dr. Guidas verfügt über umfangreiche Erfahrung in der Softwareentwicklung, insbesondere in der Zahlungskartenbranche. Er ist außerdem Fakultätsmitglied und unterrichtet Compiler und Programmiersprachen an der Universidade Federal Fluminense. Dr. Guidas hat in seiner Karriere als Softwareentwickler einen innovativen Problemlösungsansatz verwendet und 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.
  
  
• 00:05:00 Der Redner stellt das Konzept der statistischen Arbitrage vor, eine Art Handel, bei dem ein Händler statistische Modelle verwendet, um Vermögenspaare zu finden, die das gegenseitige Risiko neutralisieren. Der Referent erklärt, wie durch kointegrierte Paare eine stationäre Zeitreihe erzeugt werden kann, die einen konstanten Mittelwert und eine konstante Varianz aufweist. Sie verwenden das Beispiel zweier ETFs, die denselben Index abbilden, die nahezu perfekt miteinander integriert sind und einen horizontalen Spread erzeugen, der einen konstanten Mittelwert und eine konstante Varianz aufweist. Der Referent erklärt, dass dieser Prozess eine Trainingsphase und eine Testphase umfasst und dazu dient, die Strategie erneut zu testen.
  
  
• 00:10:00 Der Redner erklärt den Prozess des Paarhandels und wie sie eine Bollinger-Band-Handelsstrategie verwenden. Sie wählen Ticker und Sektoren aus und finden quantitative Paare, um das Absicherungsverhältnis zu ermitteln, das sie kombinieren können, um ihren Spread zu erzielen. Für jedes Paar berechnen sie den Spread und verwenden eine Mean-Reverting-Handelsstrategie, bei der gekauft wird, wenn der Spread unter dem Mittelwert liegt, und verkauft wird, wenn er über dem Mittelwert liegt. Der Redner erörtert auch die Verwendung von Stop-Loss in Algorithmen zur Rückkehr zum Mittelwert und warum dies möglicherweise kein guter Ansatz ist, da die Wahrscheinlichkeit, dass der Preis zum Mittelwert zurückkehrt, umso höher ist, je weiter er vom Mittelwert abweicht.
  
  
• 00:15:00 Der Redner diskutiert eine Strategie namens Stop Time, bei der eine Transaktion für einen Spread-Trade nach einer bestimmten Anzahl von Tagen beendet wird, wenn sie nicht geschlossen wird, was dabei helfen kann, Verluste zu verhindern. Sie teilen auch ein Beispiel einer Bollinger-Band-Strategie für den Paarhandel in Brasilien und wie sie mit einer einjährigen Transaktion einen anständigen Gewinn erzielt. Aufgrund begrenzter Daten musste der Redner jedoch auf Unternehmen zurückgreifen, die im aktuellen Zeitraum existierten, was zu einer Verzerrung der Ergebnisse seines Backtests führen könnte. Daher nutzten sie auch einen weiteren Trainingszeitraum von 2018 bis 2020 mit frischen Daten, was aufgrund der Entstehung neuer Unternehmen und Branchen zu einer höheren Anzahl an Paaren führte.
  
  
• 00:20:00 Der Redner bespricht seine Erfahrungen mit dem Paarhandel in Brasilien und gibt Einblicke in seine Methodik. Sie sprechen über die Verwendung eines vereinfachten Ansatzes zur Analyse des Spreads und der Halbwertszeit des Handels, um die ideale Periodenlänge des einfachen gleitenden Durchschnitts zu bestimmen. Sie heben auch die Herausforderungen hervor, mit denen der Handel am brasilianischen Aktienmarkt aufgrund seiner Liquidität konfrontiert ist, und erklären, warum nach der Analyse der 100 größten Unternehmen nur wenige Paare überlebten. Der Redner teilt einige Leistungsmetriken mit, räumt jedoch ein, dass es immer Raum für Verbesserungen gibt, und schlägt als mögliche Ansätze Hyperparameter-Tuning, Stationaritätsprüfungen und die Zusammenführung kleiner Sektoren vor. Sie empfehlen die Lektüre von Literatur zu diesem Thema, insbesondere den Büchern von Dr. Chang und Dr. Hippish.
  
  
• 00:25:00 Der Moderator beantwortet mehrere Fragen des Publikums zu den im Video vorgestellten Strategien. Auf die Frage nach der Periode der Bollinger-Bänder erklärt sie, dass es sich dabei um einen Hyperparameter handele, der dynamisch auf der Grundlage eines Rastertests der Halbwertszeiträume des Spreads eingestellt werden könne. Auf die Frage, ob Bollinger-Bänder für Straddles und Strangles verwendet werden können, stellt sie fest, dass es sich dabei um strukturierte Operationen mit Derivaten handelt, und schlägt vor, dass die Zusammenarbeit mit Derivate-Experten möglicherweise bessere Erkenntnisse liefert. Sie erklärt auch, dass sie die Position schließt, wenn Trades nicht mehr zum Mean-Reverting führen, und schlägt vor, dass anstelle des Pair-Tradings nicht-Reverting-Serien durch die Berechnung ihres ersten Moments zum Reverting gemacht werden können. Als sie schließlich nach der Korrelation zwischen Indice Futuro VINFUT und BOVA11 gefragt wird, empfiehlt sie
  Untersuchung der Beziehung zwischen den beiden und Nutzung dieser Informationen für Handelsentscheidungen.
  
  
• 00:30:00 Der Moderator bespricht 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 empfiehlt, zu studieren und Kurse zu belegen, um Wissen zu erlangen, und nicht arrogant genug zu sein und zu versuchen, das Wissen der Menschheit allein wiederherzustellen. Das Webinar kündigt außerdem die Einführung ihres ersten Contra-Kurses auf Portugiesisch zum Momentum-Handel an.
  
  
• 00:35:00 Siddharth Bhatia spricht über Short Straddles auf den US-Märkten. Beim Short Straddle wird ein Call verkauft und gleiche Beträge zum Geld gesetzt und Geld verdient, wenn sich der Basiswert unter das verkaufte Wall-Level bewegt. Die Strategie hat sich als profitabel erwiesen und wird als Einkommenshandelsstrategie verkauft. Bhatia warnt jedoch, dass die Verluste viel größer sind als die Gewinne, insbesondere in Zeiten der Marktvolatilität. Er warnt davor, dass kurze Straddles zu enormen Verlusten führen können, und erwähnt Unternehmen, die in Zeiten wie der COVID-Pandemie ausgelöscht wurden.
  
  
• 00:40:00 Der Redner spricht über einen Short-Straddle-Trade und seine Erfahrungen beim Backtesting mit einer mechanischen Strategie, bei der zu Beginn jeder DTE-Periode 100 Einheiten zum Money-Straddle verkauft und bis zum Ablauf gehalten wurden, ohne Stop-Losses oder differenzierte Einträge oder Ausgänge. Sie verwendeten zwei Sätze, einen mit Delta-Absicherung und den anderen ohne Absicherung, sowie zwei verschiedene Versionen mit 7 DTE und 60 DTE, um verschiedene Zeiträume abzutasten. Sie nutzten die RATS-API, um die Daten für ihr Backtesting abzurufen, und verwendeten Python-Pandas, um die Daten zu verarbeiten, um Kauf- und Verkaufspreise zu erhalten. Die eigentliche Herausforderung des Projekts bestand darin, den Datenrahmen zu erstellen, da jede Zeile individuelle Aufmerksamkeit erforderte, um sicherzustellen, dass die Daten korrekt waren. Nach dem Backtesting erhielten sie die Ergebnisse, und es ist offensichtlich, dass es beim wöchentlichen DT ohne Delta-Absicherung zu großen Drawdowns kam.
  
  
• 00:45:00 Der Redner diskutiert die Ergebnisse des Backtestings von Short-Straddle-Handelsstrategien auf dem brasilianischen und US-amerikanischen Markt. Die Strategie schnitt in beiden Märkten schlecht ab, mit einem deutlichen Drawdown und einer niedrigen Sharp Ratio. Die Delta-Absicherung trug dazu bei, die Standardabweichung der Gewinn- und Verlustrechnung zu verringern, machte einen Verlusthandel jedoch nicht profitabel. Der Referent weist darauf hin, dass für diese Art des Handels Stop-Loss-Orders zwingend erforderlich sind, und erwähnt auch wissenschaftliche Arbeiten, die den Einsatz von Einstiegsfiltern auf Basis des VIX-Index und der Laufzeitstruktur von VIX-Futures vorschlagen. Die Strategie gilt als profitabel, aber riskant und erfordert die Verlustbewältigung durch verschiedene Methoden.
  
  
• 00:50:00 Der Redner geht auf mehrere Fragen der Zuschauer ein, unter anderem, warum Positionen für die Strategie am Ende des Tages nicht abgesichert werden. Er erklärt, dass die einfachste und gebräuchlichste Art der Absicherung darin bestehe, sie einmal täglich zum Handelsschluss durchzuführen, da dies dazu beitrage, die GuV-Standardabweichung zu reduzieren und die Volatilität auf lange Sicht zu minimieren. Allerdings weist er darauf hin, dass die Absicherungstechniken Gegenstand von Tests und Untersuchungen seien. Der Redner erwähnt auch die Berechnung der CAGR, die Transaktionskosten und die Vorteile, Positionen sieben bis zehn Tage lang zu halten, anstatt sie bei der Short-Straddle-Strategie täglich zu verkaufen. Darüber hinaus betont er, wie wichtig es ist, über vorherige Erfahrung im manuellen und nicht-algorithmischen Handel zu verfügen, da dies Händler auf die Volatilität des Marktes und die Akzeptanz kurzfristiger Verluste vorbereitet.
  
  
• 00:55:00 Die Redner beantworten weitere Fragen des Publikums zum Paarhandel in Brasilien und zu Short Straddles auf den US-Märkten. Ein Zuhörer fragte, ob er einen Long-Straddle nehmen könne, wenn der VIX bei etwa 20 liege, worauf die Antwort lautete, dass dies normalerweise zu einem Verlust führen würde und es besser sei, den Index zu shorten, wenn der Mix über 20 liege. Eine andere Frage betraf die Frage, wie man das in Einklang bringt Gegensätzliche Einstiegsstrategien beim Eingehen von Geschäften, wenn der VIX über 30 liegt. Die Empfehlung hier war, immer short zu sein und den Backwardation-Vorschlag zu ignorieren. Den Rednern wurden auch Fragen zu Buchempfehlungen gestellt, wobei die drei Bücher von Eun Sinclair von einem der Redner wärmstens empfohlen wurden.
  
  
• 01:00:00 Der Redner spricht über seine Erfahrungen mit dem ePAD-Programm von Quantum City und wie es ihm geholfen hat, die Lücken in seinem Wissen über Codierung und algorithmische Handelskonzepte zu schließen. Er betont, wie wichtig es ist, die Märkte zu studieren und zu studieren, und rät Neulingen, Demokonten zu eröffnen und Erfahrungen mit dem Eingehen von Verlusten auf dem Markt zu sammeln. Er erwähnt auch, dass das Beherrschen einer Fertigkeit tiefer gehen und mehr Kurse absolvieren muss und dass das ePAD-Programm von Quantum City ein guter Ausgangspunkt ist. Der Redner schließt sich den Ratschlägen von Dr. Luis Gide an, wie wichtig es ist, die Märkte zu studieren und zu studieren.
  
  
• 01:05:00 Die Gastgeber danken Dr. Luiz für den Austausch seiner Erfahrungen zum Paarhandel in Brasilien und danken dem Publikum für die Teilnahme und die Vorschläge für zukünftige Themen für Webinare. Die Gastgeber erwähnen die Herausforderung, einen Portugiesischkurs zu beginnen, freuen sich aber über die vielen Dinge, die in ihrer Gemeinde passieren. Sie ermutigen das Publikum, ihr Feedback durch eine Umfrage zu teilen und Themen für zukünftige Sitzungen vorzuschlagen. Die Gastgeber drücken ihre Wertschätzung aus und verabschieden sich von Dr. Luiz und dem Publikum.

[MetaQuotes]

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.

• 00:00:00 Die Webinar-Moderatoren stellen das CSAF-Programm vor, das für Certificate in Sentiment Analysis and Alternative Data for Finance steht. Das Programm wird von zwei erfahrenen Fakultätsmitgliedern geleitet: Professor Gautam Mitra und Professor Christina Alvin Sayer. Das CSAF-Programm umfasst Vorlesungen, die sich über fünf Monate erstrecken und sowohl Grundlagenvorlesungen zur Präsentation der Theorie als auch Anwendungsfallvorlesungen umfassen, die von Gastdozenten gehalten werden, die Fachleute aus der Finanzbranche sind. Die Gastgeber erwähnen außerdem, dass es am Ende des Webinars eine Frage-und-Antwort-Runde geben wird und stellen zwei besondere Gäste vor, Amit Arora und Abhijit Desai, die ihre Erfahrungen als CSAF-Alumni teilen werden.
  
  
• 00:05:00 Der Redner beschreibt ein Zertifikatsprogramm für Stimmungsanalyse und alternative Daten für Finanzen und seine Module, die sich darauf konzentrieren, den Teilnehmern die Stimmung, ihre verschiedenen Arten und die Verwendung alternativer Daten beizubringen. Die Module werden von Kernfakultätsmitgliedern und Gastfakultätsmitgliedern wie Antonio Gerni und Classifying Ironing gehalten, die ihr praktisches Wissen in den Bereichen Finanzen und Stimmungsanalyse weitergeben. Das Programm umfasst außerdem neun Grundlagenvorlesungen, die dazu beitragen, die Konzepte detaillierter zu erläutern. Die Vorlesungen werden durch Skripten begleitet und am Ende des Programms wird eine Prüfung abgelegt.
  
  
• 00:10:00 Christina gibt einen Überblick über das Programm „Certificate in Sentiment Analysis and Alternative Data for Finance (CSAF)“ und hebt die wichtigsten Module des Kurses hervor. Die ersten beiden Module konzentrieren sich auf die Vermittlung der Grundlagen von Sentiment und Sentimentdaten. In den Modulen 3 und 4 befasst sich der Kurs mit alternativen Datenquellen und ihrer Relevanz für Finanzprognosen und -modellierungen, einschließlich Satelliten- und E-Mail-Daten sowie Textanalysen. Der Kurs behandelt außerdem Modellierungsgrundlagen und -rahmen, verschiedene Finanzmodelle und wie Stimmungsdaten auf Risikomanagement, Portfoliooptimierung und automatisierten Handel angewendet werden können. Schließlich umfasst der Kurs ein Modul zu alternativen Daten und betont die Rolle von KI, maschinellem Lernen und quantitativen Modellen bei der Stimmungsanalyse.
  
  
• 00:15:00 Ein Alumnus namens Amit teilt seine Erfahrungen mit der vorherigen Version des Kurses namens EPAT NSA. Er nahm aus Interesse am Kurs teil und erwartete nicht viel davon, aber die praktische Ausrichtung des Kurses half ihm, seine eigenen Handelsideen zu entwickeln. Nach Abschluss des Studiums wandte er sich von der aktiven Change-Management-Beratung ab und widmete sich mehr der Entwicklung eigener Ideen. In den letzten drei Monaten hat er die meiste Zeit dem eigentlichen Handel gewidmet und die Ergebnisse waren besser als erwartet. Ein anderer Absolvent namens Avirup teilt ebenfalls seine Erfahrungen und betont, wie wichtig Engagement, Hingabe und Neugier sind, um das Beste aus dem Kurs herauszuholen.
  
  
• 00:20:00 Verschiedene Personen diskutieren über ihre Erfahrungen mit dem Kurs „Certificate in Sentiment Analysis and Alternative Data for Finance (CSAF)“. Eine Person erklärt, dass sie nach etwas Herausforderndem im Hinblick auf den Algorithmus-Handel suchte und feststellte, dass es schwierig sei, Stimmungsdaten und Nachrichten zu analysieren und zu unterscheiden, welches Wissen zum Geldverdienen nützlich sei. Der Kurs hat ihnen jedoch geholfen, Python zu verstehen und eigene Modelle zu entwickeln. Die für maschinelle Lernmodule verwendete Sprache ist hauptsächlich Python, einige Personen verwenden auch R. Das Webinar wurde ebenfalls aufgezeichnet und wird mit registrierten Teilnehmern geteilt, die nicht teilnehmen konnten.
  
  
• 00:25:00 Die Referenten besprechen die Einführung, eine Reihe von Themenbereichen, die erforderlich sind, um einen Hintergrund für die Anwendung einer Stimmungsanalyse oder einiger Daten auf den Handel zu haben. Es enthält Informationen über Autoritäten bezüglich der Anomalievorhersage oder der Durchführung von Leistungsmessungen. Die Einführung hat keine festgelegte Dauer, da sie den Studierenden vor Kursbeginn gegeben wird. Jedes Modul hat hingegen eine Dauer von ca. drei Stunden pro Samstagsvorlesung, die durch ein Vorlesungsskript belegt wird. Die Anwendungsfallvorlesungen dauern zwischen einer und zwei Stunden und beinhalten Frage-und-Antwort-Runden mit Gastdozenten. Als Antwort auf die Frage eines Zuschauers, ob eine Stimmungsanalyse für den Handel notwendig ist, erklären die Redner, dass eine Stimmungsanalyse dabei helfen kann, Alpha-Quellen zu finden oder Kapitalrenditen zu erzielen, selbst wenn die Markteffizienz letztendlich alle Stimmungen und Nachrichten berücksichtigt.
  
  
• 00:30:00 Die Referenten diskutieren, wie die Stimmungsanalyse wertvolle Daten für Handelsentscheidungen liefert, da sie Nachrichten, die sich auf Marktaktivitäten auswirken, schnell und quantitativ analysieren kann. Sie stellen fest, dass die Stimmungsanalyse angesichts der Fülle an Daten, die aus Quellen wie Twitter und anderen sozialen Medien verfügbar sind, immer wichtiger geworden ist. Die Referenten gehen auch auf die Frage ein, welche Art von Datenquellen im Allgemeinen für die Sentimentanalyse verwendet werden, und erwähnen, dass Nachrichtenagenturen und Social-Media-Plattformen häufige Quellen sind, die Verwendung dieser Daten jedoch eine Genehmigung der Anbieter erfordert. Sie berühren auch das Thema der Verwendung von Vader-Plots für die Stimmungsanalyse.
  
  
• 00:35:00 Die Referenten diskutieren Sentimentanalyse und Verarbeitung natürlicher Sprache im Hinblick auf die Finanzanalyse. Sie erläutern, wie Sentiment-Daten, die bereits von Sentiment-Anbietern analysiert und berechnet wurden, quantitativ zur Portfoliooptimierung und Vermögensallokationsentscheidung genutzt werden können. Sie erwähnen auch große Player der Branche wie Bloomberg und Graffiti, die solche Daten bereitstellen. Die Redner warnen davor, die Verarbeitung natürlicher Sprache ausschließlich für Handelszwecke zu nutzen, und betonen, wie wichtig es ist, die Finanzmärkte zu verstehen, um die Datenanalyse effektiv nutzen zu können. Auf die Frage nach einer Karriere in der Datenanalyse oder KI betonen die Redner die Notwendigkeit eines umfassenden Verständnisses der Finanzmärkte und -modelle, um Datenanalysen effektiv anwenden zu können.
  
  
• 00:40:00 Die Referenten beantworten Fragen der Zuschauer. Bei der ersten Frage geht es um die Kombination von Stimmungen und Volatilitätshandel. Auch wenn dies im Kurs nicht direkt behandelt wird, stellen die Dozenten Werkzeuge und Methoden zur Verfügung, um dies zu erreichen. Sie erwähnen, dass der Handel mit diesem Index oder einem gleichwertigen Index in anderen Märkten ein wichtiges Thema sei, aber in den Bereich der Spitzenforschung falle. In der nächsten Frage geht es darum, was mit alternativen Daten gemeint ist. Die Redner erklären, dass es sich dabei um einen neuen Wachstumsbereich auf dem Markt handelt, und beziehen sich dabei auf Daten, die von Marktteilnehmern bereitgestellt werden und Auswirkungen auf den Markt haben, beispielsweise Stimmungsdaten oder Nachrichtendaten. Sie fügen hinzu, dass Satellitendaten, E-Mail-Postfächer und Bestellungen von Unternehmen wie Amazon oder Pizzalieferanten Beispiele für alternative Daten seien.
  
  
• 00:45:00 Die Referenten diskutieren die Bedeutung der Zertifizierung beim Investieren und Handeln. Während das Lernen aus allen Quellen wertvoll ist, ist strukturiertes Lernen durch Zertifizierungskurse notwendig, um eine Perspektive und einen Ansatz zu entwickeln, die unstrukturiertes Lernen nicht bieten kann. Allerdings verlassen sich Handelsunternehmen nicht immer auf das Zertifikat selbst. Sie gehen auch auf die Frage ein, welche Bedeutung tägliche politische Nachrichten und andere Nachrichten im Handel haben. Obwohl technisches Wissen wichtig ist, kann die ständige Verfolgung aktueller Ereignisse den Händlern ein besseres Verständnis der Markttendenzen vermitteln und ihnen helfen, fundiertere Entscheidungen zu treffen.
  
  
• 00:50:00 Die Referenten diskutieren die Einbeziehung der Sentimentanalyse in Handelsstrategien. Sie erklären, dass technische Analyse und Handel zwar bekannt sind, die Auswirkungen von Nachrichten und Stimmungen jedoch auch in verschiedenen Strategien berücksichtigt werden. Informierte Händler nehmen Nachrichten auf und analysieren sie, bevor sie nach eigenem Ermessen Geschäfte tätigen, während unauffällige Händler sofort auf Nachrichten reagieren. Sie weisen außerdem darauf hin, dass die Kombination verschiedener Modelle und Informationen, einschließlich Stimmungsanalysen, zu fundierteren Entscheidungen führen kann. Wenn es um die individuelle Stimmung geht, verfügt der Stimmungsanbieter möglicherweise über einen Pool von Personen, die für den Markt relevant sind, und es ist oft nützlich, Finanzmarktexperten für die Stimmungsanalyse in sozialen Medien herauszufiltern.
  
  
• 00:55:00 Die Referenten gehen darauf ein, ob der Kurs die Echtzeitbenachrichtigung von Nachrichten und Pressemitteilungen abdeckt, was im automatisierten oder systematischen Handel wichtig ist. Sie erklären, dass das Eintreffen von Nachrichten zwar für die Stimmungsanalyse von entscheidender Bedeutung ist und sich schnell auf die Rendite auswirken kann, eine Handelsstrategie jedoch nicht dominieren darf. Der Kurs ist anwendungsorientiert und praxisorientiert, aber auch fundierte Theorie ist wichtig, um eine strukturierte Darstellung von Informationen zu ermöglichen. Die Referenten betonen die Verwendung quantitativer Rahmenwerke und interessanter Fallstudien, um die Verwendung von Stimmungsdaten hervorzuheben.
  
  
• 01:00:00 Die Referenten diskutieren, wie akademische Genauigkeit auf den Handel angewendet werden kann und wie sich der CSAF-Kurs vom EPAT-Kurs unterscheidet. Der EPAT-Kurs deckt maschinelles Lernen und Python-Fähigkeiten ab, aber der CSAF-Kurs fügt zusätzliche Kenntnisse in Stimmungsanalyse und alternativen Daten im Kontext von Anwendungsfällen und Fallstudien hinzu. Die Referenten beantworten auch eine abschließende Frage, wie der CSAF-Kurs jemandem zugute kommen kann, der bereits am EPAT-Kurs teilgenommen hat. Amit und Abhijit betonen, dass der CSAF-Kurs auf den Grundlagen des EPAT-Kurses aufbaut und zusätzliche Kenntnisse und Fähigkeiten für eine profitable Entwicklung vermittelt Handelsideen. Die Sitzung endet mit einer Erinnerung daran, in der Umfrage weitere Fragen zu stellen, und einem Dankeschön an die Redner für ihre Zeit.
  
  
• 01:05:00 Die Redner danken dem Publikum für die Teilnahme an der Informationsveranstaltung zum Programm „Certificate in Sentiment Analysis and Alternative Data for Finance (CSAF)“. Sie ermutigen die Zuschauer, ihre Fragen und Bedenken bezüglich der Sendung zu äußern, und danken allen für ihre Teilnahme. Die Redner beenden das Video, indem sie sich gegenseitig für den Erfolg danken und ihre Freude daran zum Ausdruck bringen, ihr Wissen mit anderen zu teilen.
  

[MetaQuotes]

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.

• 00:00:00 Der Redner diskutiert die Vorteile des automatisierten Handels und warum Automatisierung erforderlich ist. Durch die Automatisierung können Händler eine größere Anzahl von Vermögenswerten parallel verwalten und Geschäfte auf der Grundlage vorgegebener Regeln ausführen, wodurch das Fehlerrisiko verringert und emotionsgesteuerter Handel vermieden wird. Der Prozess wird vereinfacht, da das System die Bestellung automatisch aufgibt, sobald die Regeln erfüllt sind, wodurch Zeitverzögerungen vermieden werden. Darüber hinaus erklärt der Redner, dass die Automatisierung Zeit und Ressourcen für Händler freisetzen kann, damit sie sich auf die Entwicklung besserer Handelsstrategien konzentrieren können.
  
  
• 00:05:00 Der Redner erörtert das Missverständnis, dass die Automatisierung den menschlichen Eingriff vollständig eliminiert, und betont, wie wichtig es ist, die Leistung hochentwickelter automatisierter Handelssysteme regelmäßig zu analysieren, um die Handelsstrategie bei Bedarf anzupassen. Der Einsatz von Automatisierung ermöglicht es Händlern, sich auf andere Aufgaben oder Vermögenswerte zu konzentrieren, die sie sonst nicht manuell ausgeführt hätten. Anschließend geht der Redner auf die drei Schritte des Handels ein, beginnend mit der Datenerfassung, gefolgt von der Analyse, die entweder regelbasiert oder diskretionär sein kann, und schließlich der Ausführung von Geschäften.
  
  
• 00:10:00 Wenn Sie einen Teil Ihres Handelsprozesses automatisieren möchten, können Sie Daten und Codierung verwenden, um historische Daten Ihrer bevorzugten Vermögenswerte abzurufen. Google Finance hat seine API in Google Sheets integriert, sodass Daten einfach durch die Eingabe von Parametern wie dem Tickersymbol, Start- und Enddatum und Datentyp abgerufen werden können. Diese Daten können dann verwendet werden, um Preisdiagramme zu erstellen oder Berechnungen durchzuführen, beispielsweise um eigene Indikatoren zu erstellen oder prozentuale Änderungen zu berechnen. Mit diesem Tool können Händler ihren Datenerfassungsprozess automatisieren und ihre Handelsstrategien optimieren.
  
  
• 00:15:00 Das Video zeigt, wie man eine Handelsstrategie mithilfe des Relative Strength Index (RSI)-Indikators anhand vergangener Daten erneut testet oder ausprobiert. Der RSI-Wert liegt zwischen 0 und 100 und je nach Wert werden unterschiedliche Maßnahmen ergriffen. Wenn der RSI-Wert unter 30 liegt, bedeutet dies, dass der Vermögenswert von vielen Menschen verkauft wird, was den Preis für Käufer attraktiv macht, sodass sie den Vermögenswert kaufen. Wenn der RSI-Wert zwischen 30 und 70 liegt, werden keine Maßnahmen ergriffen, und wenn der RSI-Wert mehr als 70 beträgt, bedeutet dies, dass die Leute den Vermögenswert gekauft haben, was das Preisniveau in die Höhe treibt, sodass es ein guter Zeitpunkt ist, den Handel bis dahin zu beenden den Vermögenswert verkaufen. Die Wirksamkeit dieser Regeln wird dann durch automatisiertes Backtesting vergangener Daten mithilfe visueller Programmierung anhand eines US-Aktiendatensatzes überprüft.
  
  
• 00:20:00 Der Redner diskutiert die Verwendung der Blue Shift-Plattform für den automatisierten Handel, die es Benutzern ermöglicht, Backtests durchzuführen, Papierhandel durchzuführen und live zu gehen. Die Plattform bietet visuelle Programmierung, die keine Programmierung erfordert. Der Referent demonstriert die Einrichtung einer Handelsstrategie mithilfe des RSI-Indikators und erklärt die Long- und Short-Bedingungen. Abschließend zeigt er die Backtest-Ergebnisse, die eine Rendite von 14 Prozent, eine Sharpe Ratio von 1,22 und einen maximalen Drawdown von minus 13 bieten. Insgesamt ist Blue Shift eine benutzerfreundliche Plattform zum Erstellen und Testen automatisierter Handelsstrategien.
  
  
• 00:25:00 Der Referent bespricht den Prozess der Inbetriebnahme einer automatisierten Handelsstrategie. Er empfiehlt, mit dem Papierhandel zu beginnen und Echtzeitdaten, aber kein echtes Geld zu verwenden, um zu sehen, wie sich die Strategie im aktuellen Marktumfeld schlägt. Der Redner führt Sie durch den Prozess der Einrichtung des Papierhandels und der anschließenden Inbetriebnahme, einschließlich der Auswahl eines Brokers, der Festlegung des Kapitals und der Bestätigung von Aufträgen. Er betont, wie wichtig es ist, die Leistung der Strategie regelmäßig zu überwachen und bei Bedarf anzupassen. Der Redner erwähnt auch, dass auf seinem YouTube-Kanal frühere Sitzungen zum Live-Handel auf anderen Plattformen verfügbar sind.
  
  
• 00:30:00 Obwohl nicht alle Broker APIs anbieten, ist Interactive Brokers eine Plattform, die fast überall verfügbar ist und API für den automatisierten Handel bietet. Eine IBridge Py-Brücke kann mit Interactive Brokers verwendet werden, um Geschäfte von überall auf der Welt, einschließlich Singapur, zu automatisieren. Es ist wichtig zu beachten, dass es auch möglich ist, Daten für NSE-Aktien abzurufen. Es ist jedoch erforderlich, das entsprechende Tickersymbol nachzuschlagen und Yahoo Finance zu verwenden, um die erforderlichen historischen Daten zu erhalten.
  
  
• 00:35:00 Der Redner erklärt, dass Daten auf Minutenebene nicht überall kostenlos verfügbar sind und dass der Datenbedarf auf dieser Ebene hoch ist. Er schlägt vor, ein Konto bei einem Broker wie Interactive Brokers zu eröffnen, um Daten auf Minutenebene zu erhalten, erwähnt jedoch, dass je nach Standort und ausgewähltem Broker möglicherweise eine Gebühr anfällt. Der Redner geht kurz auf die Handelshäufigkeitsfunktion ein und empfiehlt die Blue Shift-Dokumentation für weitere Informationen zur Erstellung einer Handelsstrategie. Sie stellen außerdem klar, dass Blue Shift für die visuelle Programmierung oder Codierung verwendet werden kann und dass Stop-Loss-Level bei der Erstellung einer Handelsstrategie festgelegt werden sollten.
  
  
• 00:40:00 Der Redner erörtert die Bedeutung der Festlegung geeigneter Stop-Loss-Werte für verschiedene Arten von Vermögenswerten. Er empfiehlt die Verwendung unterschiedlicher Stop-Losses für verschiedene Vermögenswerte, je nachdem, wie volatil sie sind, wobei höhere Stop-Losses für Vermögenswerte mit hohen Schwankungsraten wie Tesla gelten. Der Redner weist außerdem darauf hin, dass die idealen Werte für Alpha und Beta von den Zielen des Händlers und dem Zeitrahmen abhängen, in dem er einen bestimmten Prozentsatz des Gewinns erzielen möchte. Darüber hinaus beantwortet der Redner Fragen zur Automatisierung des Handels auf indischen Märkten, zur Überwachung von Strategien und zur Möglichkeit, Optionsstrategien mit der Plattform zu erstellen. Abschließend betont 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 ganz eingestellt oder fortgesetzt werden soll.
  
  
• 00:45:00 Der Referent spricht über Automatisierung im Handel und wie sie funktioniert. Sie erklären, dass die Automatisierung für indische Märkte über die Blueshift-Plattform verfügbar ist, die es Benutzern ermöglicht, Backtest-Strategien und Pay-per-Trade oder Live-Handel durch Partnerschaften mit verschiedenen Brokern durchzuführen. Der Redner betont, wie wichtig es ist, bestimmte Handelsregeln zu haben und diese durch Backtesting und Papierhandel testen zu können, bei dem virtuelles Geld verwendet wird, um zu sehen, wie sich die Strategie auf dem aktuellen Markt schlägt. Der Referent erwähnt auch, dass maschinelles Lernen im Handel eingesetzt werden kann und von Blueshift für Handelsstrategien unterstützt wird.
  
  
• 00:50:00 Der Redner diskutiert die Möglichkeit, den automatisierten Handel auf einem Mobiltelefon zu nutzen, und weist darauf hin, dass mobilbasierte Plattformen zwar nicht so funktionsreich sind wie webbasierte Plattformen, der automatisierte Handel jedoch bald auf Mobiltelefone Einzug halten könnte, da sich alles verändert hin zu einer stärkeren Cloud-basierten Ausrichtung. Der Redner schlägt vor, dass Anfänger klein anfangen und sich steigern können, indem sie mehr lernen und eine Handelsregel oder -strategie haben. Der Referent erwähnt außerdem, dass Blue Shift, eine Lern-, Backtesting- und Handelsplattform, völlig kostenlos ist und zum Ausprobieren von Handelsstrategien genutzt werden kann. Darüber hinaus gehen sie auf Fragen zur Plattform ein und weisen darauf hin, dass in Zukunft weitere Broker hinzukommen werden. Abschließend geht der Redner auf eine Frage zur Nutzung einer beliebigen Plattform für den automatischen Bitcoin-Handel ein.
  
  
• 00:55:00 Der Redner geht auf die Frage ein, ob automatisierter Handel von allen Brokern unterstützt wird, und stellt klar, dass nicht alle Broker Unterstützung für automatisierten Handel anbieten und Benutzer überprüfen müssen, ob die verwendete Plattform dies unterstützt. Der Redner stellt fest, dass sich die Branche weitgehend in Richtung automatisierten Handels bewegt und die meisten Aufträge mithilfe automatisierter Handelssysteme erteilt werden. Was die Kombination von maschinellem Lernen, neuronalen Netzen und KI für den Algo-Handel betrifft, umfasst der Prozess das Trainieren und Testen von Daten auf dem Modell des maschinellen Lernens, wobei die vorhergesagte Ausgabe für den Algo-Handel verwendet wird. Abschließend antwortet der Redner auf eine Frage eines Berufstätigen und stellt fest, dass automatisierter Handel dazu genutzt werden kann, sich auf die Anforderungen seiner Arbeit zu konzentrieren, indem er sich um Handelsaktivitäten kümmert und gleichzeitig die Bildschirmzeit minimiert.
  
  
• 01:00:00 Das Ziel besteht darin, Ihre Handelsstrategie zu automatisieren. Dies ist sogar für Berufstätige machbar. Es ist jedoch wichtig, die Leistung des automatisierten Systems regelmäßig zu überprüfen, da sich das Szenario ändern kann und das, was früher funktioniert hat, jetzt möglicherweise nicht mehr funktioniert. Während es mithilfe verschiedener Plattformen möglich ist, eine Handelsstrategie zu erstellen, ohne Python oder eine andere Programmiersprache zu lernen, müssen Sie möglicherweise Python oder andere Programmiersprachen lernen, wenn Sie eine Feinabstimmung vornehmen oder fortgeschrittenere Strategien ausprobieren möchten. Das Erlernen von Python kann ein zusätzlicher Vorteil sein und Sie werden feststellen, dass es nicht so schwierig ist, wie die Leute denken. In jedem Fall ist eine regelmäßige Überprüfung der Leistung unerlässlich, um die Strategie entsprechend anzupassen.
  
  
• 01:05:00 Der Redner erinnert das Publikum daran, bei unbeantworteten Fragen einen Fragebogen auszufüllen, und ermutigt es, das zeitlich begrenzte Angebot für einen Rabatt von 70 % und zusätzliche 25 % bei der Anmeldung zu allen Kursen zu nutzen. Sie bedanken sich für die Unterstützung und planen, die Webinare fortzusetzen, und bitten um Vorschläge für zukünftige Themen, um bessere Sitzungen zu planen. Abschließend wünscht der Redner allen ein frohes Holi und dankt dem Publikum für die Teilnahme an der Sitzung.

[MetaQuotes]

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.

• 00:00:00 Der Referent führt in das Thema quantitative Datenanalyse für Kryptowährungen ein. Die Sitzung wird von Udisha Alook geleitet, die als Quant-Forscherin am Quant Institute arbeitet und Expertin für Blockchain, Bitcoin, Ethereum und Ripple ist. Der Redner betont die Bedeutung der Due Diligence vor Investitionen in Kryptowährungen und erläutert die Tagesordnung der Sitzung, die einen Überblick über Kryptowährungen, Top-Kryptowährungen und wo man Daten erhält und mit Kryptowährungen handelt, umfasst. Der Hauptteil der Sitzung konzentriert sich auf die Analyse der Daten für Top-Kryptowährungen.
  
  
• 00:05:00 Das Video stellt das Quantitative Trading-Unternehmen Quantinsti und seine verschiedenen Angebote vor, darunter das professionelle Zertifizierungsprogramm für Algorithmic Trading (EPAT), das Zertifikat für Sentiment Analysis and Alternative Data for Finance (CSAF) und das Selbst- Tempogesteuerte Kurse unter Quantra. Darüber hinaus geht es im Video um BlueShift, eine cloudbasierte Strategieentwicklungsplattform für Research, Backtesting, Papierhandel und Live-Handel. Das Hauptthema des Videos sind Kryptowährungen, definiert als digitale oder virtuelle Währungen, die durch Kryptografie gesichert sind und kein physisches Existenzmedium haben. Kryptowährungen sind sicher, weil sie Kryptografie verwenden, durch die Blockchain-Technologie dezentralisiert sind und Doppelausgaben vermeiden.
  
  
• 00:10:00 Der Referent geht auf die Top-6-Kryptowährungen nach Marktkapitalisierung ein und erläutert kurz deren Funktionalitäten. Bitcoin ist die erste Kryptowährung und die einzige, die von El Salvador als gesetzliches Zahlungsmittel eingeführt wurde. In Bezug auf die Marktkapitalisierung steht Ethereum nach Bitcoin an zweiter Stelle und hat die Smart-Contract-Funktionalität eingeführt. Ripple, das als Zwischenmechanismus für den Austausch konzipiert ist, steht an sechster Stelle der Liste. Binance Coin, ausgegeben von der Binance-Börse, ist auf eine eigene Blockchain umgezogen. Tether und USD Coin, beides stabile Münzen, die an den US-Dollar gekoppelt sind, bieten die Funktionalität von Kryptowährungen, aber die Stabilität von Fiat-Währungen. Der Redner erwähnt auch, dass es gute Quellen für historische Kryptodaten wie CryptoWatch und CoinAPI gibt, und listet wichtige globale Krypto-Handelsplattformen wie Binance, Coinbase, Etoro, Gemini und Kraken auf.
  
  
• 00:15:00 Der Referent vergleicht die Preise verschiedener Kryptowährungen und zeigt, wie sie sich im logarithmischen Maßstab entwickeln. Bitcoin dominiert preislich alle anderen Kryptowährungen, gefolgt von Ethereum und Binance Coin. Ripple hat sich nicht gut entwickelt und Stable Coins bleiben aufgrund ihrer Natur stabil. Anschließend berechnet der Referent die kumulierten Renditen und zeigt, dass Binance Coin die höchsten Renditen aufweist, gefolgt von Ethereum und Bitcoin. Die Volatilität der vier wichtigsten Kryptowährungen war allgegenwärtig und verzeichnete zeitweise Spitzen, während Stable Coins stabil blieben.
  
  
• 00:20:00 Das Video analysiert die Volatilität und das Risiko, die mit der Investition in Kryptowährungen verbunden sind. Es wird festgestellt, dass die Renditen von Kryptowährungen eine hohe Kurtosis aufweisen, was darauf hindeutet, dass extreme Renditen, sowohl positive als auch negative, zu erwarten sind. Dies ist auf den Momentum-Handel zurückzuführen, bei dem Anleger dazu neigen, zu kaufen, wenn die Preise steigen, und in Panik zu verkaufen, wenn die Preise fallen. Das Video zeigt auch Boxplots der täglichen Renditen von Kryptowährungen, die zahlreiche Ausreißer aufweisen. Diese historischen Daten beweisen, dass Kryptowährungen eine riskante Investition sind, obwohl Stable Coins weniger riskant sind.
  
  
• 00:25:00 Der Redner erläutert, wie sich das Entfernen von Ausreißern auf den Medianwert beliebter Kryptowährungen wie Bitcoin, Ethereum, Finance Coin, Ripple, USD und USDC auswirkt. Stable Coins werden geschaffen, um ihren Wert nahe bei einem US-Dollar zu halten, was bei den meisten dieser Stable Coins das Hauptaugenmerk ist. Ripple hingegen unterscheidet sich von anderen Kryptowährungen dadurch, dass es sich um eine andere Art von Blockchain handelt, nämlich eine Erlaubnis-Blockchain, die für Finanzinstitute entwickelt wurde. Der Redner erörtert auch, wie das laufende SEC-Verfahren gegen die Gründer von Ripple zu Schwankungen und Unsicherheit bei den Anlegern geführt hat. Abschließend gruppiert der Redner die Faktoren, die Kryptowährungen beeinflussen, in fünf Hauptfaktoren: das Gesetz von Angebot und Nachfrage, die Wertwahrnehmung, technologische Fortschritte, staatliche Vorschriften und Marktstimmung.
  
  
• 00:30:00 Der Einfluss von Medien, politischen Ereignissen, regulatorischen Änderungen und Blockchain-Modifikationen auf Kryptowährungspreise wird diskutiert. Es wird darauf hingewiesen, dass die Medien einen erheblichen Einfluss auf die Kryptowährungspreise haben, da positive Nachrichten Menschen zum Kauf anregen können, während negative Presse sie abschrecken kann. Darüber hinaus kann die Unterstützung von Kryptowährungen durch seriöse Unternehmen oder Einzelpersonen deren Zuverlässigkeit und Vertrauenswürdigkeit erhöhen. Auch politische Ereignisse und regulatorische Veränderungen, wie die Griechenlandkrise im Jahr 2015, können das Vertrauen der Anleger in Regierungen beeinflussen und sie in Richtung Kryptowährung treiben. Die Korrelation zwischen verschiedenen Kryptowährungen wie Bitcoin und Ethereum ist hoch, da die meisten Kryptowährungen Blockchain-basiert sind und stark von Bitcoin abgeleitet sind. Schließlich wird beobachtet, dass Stable Coins nicht mit traditionellen Kryptowährungen korrelieren.
  
  
• 00:35:00 Das Video bespricht den Prozess des Umtauschs von Kryptowährungen in Fiat-Währung. Die meisten Börsen unterstützen nur den Umtausch wichtiger Kryptowährungen wie Bitcoin und Ethereum, sodass es notwendig ist, Altcoins zunächst in eine dieser Top-Kryptowährungen umzutauschen, bevor man sie in Fiat-Währungen umtauscht. Das Video untersucht auch Handelsstrategien, die für Kryptowährungen gut funktionieren könnten, einschließlich auf Momentumindikatoren basierender Strategien und Arbitrage aufgrund der Volatilität von Kryptowährungen. Das Video präsentiert die Codierung für momentumbasierte Strategien unter Verwendung von Indikatoren wie dem Relative Strength Index, der Moving Average Convergence Divergence und dem Awesome Oscillator.
  
  
• 00:40:00 Der Moderator fasst die wichtigsten im Video behandelten Punkte zusammen und betont das Potenzial von Stable Coins, aufgrund ihrer geringen Volatilität und mangelnden Korrelation mit anderen Kryptowährungen gute Kandidaten für die Portfoliodiversifizierung zu sein. Der Moderator stellt außerdem zusätzliche Ressourcen für diejenigen bereit, die mehr über algorithmischen Handel und Kryptowährung erfahren möchten, darunter kostenlose Bücher und Kurse sowie eine Forschungs- und Handelsplattform namens Blue Shift. Der Abschnitt endet mit einer Diskussion des Executive Program in Algorithmic Trading, das sich an Einzelpersonen richtet, die ihr eigenes Algo-Trading-Desk eröffnen oder eine Karriere im Algorithmic Trading mit Mentoring von Branchenpraktikern entwickeln möchten. Derzeit sind Frühbucherrabatte verfügbar.
  
  
• 00:45:00 Der Redner diskutiert mehrere Fragen im Zusammenhang mit Kryptowährung und Blockchain. Auf die Frage nach der langfristigen Rentabilität von Kryptowährungen ohne regulatorische Unterstützung stellt der Redner fest, dass einige Länder, wie beispielsweise Malta, bereits Gesetze erlassen haben, die sie regulieren und sie als langfristige Investitionen behandeln. Auch die Blockchain-Technologie ist in den letzten Jahren gewachsen und hat an Akzeptanz gewonnen, wodurch sich die Menschen im Umgang mit Kryptowährungen wohler fühlen. Der Redner glaubt, dass es schwierig sein könnte, Kryptowährungen zu kontrollieren, aber Regierungen und Regulierungsbehörden unternehmen Schritte, um sie zu regulieren. Auf die Frage nach der Zukunft des dezentralen Finanzwesens räumt der Redner ein, dass man aufholt, aber es seien noch verschiedene Arten von Arbitrage und andere Konzepte zu berücksichtigen. Abschließend erwähnt der Redner auf die Frage nach dem Krypto-Handel, dass es dabei nicht nur um Data Mining und technische Indikatoren geht, sondern auch darum, die Blockchain-Technologie und ihre Einsatzmöglichkeiten zu verstehen.
  
  
• 00:50:00 Der Redner erörtert die Bedeutung einer ordnungsgemäßen Datenanalyse vor einer Investition in Kryptowährungen aufgrund ihrer hohen Volatilität. Sie legt Wert auf den Einsatz technischer und quantitativer Analysen sowie Backtesting zur Risikominderung. Der Redner geht auch auf die Frage ein, welche Auswirkungen geopolitische Interventionen auf die Kryptowährungsmärkte haben, und betont, dass Regierungsentscheidungen zwar Auswirkungen haben, die dezentrale Natur von Kryptowährungen jedoch dazu führt, dass Menschen sich an sie wenden, wenn ihr Vertrauen in traditionelle Währungen oder Regierungen geringer ist. Abschließend erörtert der Redner die Vorteile von Stable Coins, die einen Teil der mit Kryptowährungen verbundenen Volatilität abmildern und sie so bei täglichen Transaktionen nützlicher machen.
  
  
• 00:55:00 Der Redner diskutiert die möglichen Auswirkungen bevorstehender US-Regulierungen auf den Kryptomarkt. Zwar könnte die Regierung die Blockchain in den USA regulieren, es könnte sich jedoch als schwierig erweisen, den dezentralen Charakter der Technologie zu kontrollieren. Infolgedessen könnte sich die Entscheidung der Regierung zur Kryptoregulierung auf den Preis auswirken, ihn aber nicht unbedingt vollständig kontrollieren. Der Redner geht auch auf Fragen zum Mindestkapital ein, das für den Handel mit Kryptowährungen erforderlich ist, und zum Potenzial von Kryptowährungen für den Einsatz in realen Transaktionen. Abschließend spricht der Redner über den Aufstieg digitaler Zentralbankwährungen und die möglichen Auswirkungen auf den dezentralen Charakter von Kryptowährungen.
  
  
• 01:00:00 Die Referenten diskutieren die zunehmende Erforschung der Blockchain-Technologie zur Lösung von Problemen wie Identitätsausgabe und Lieferkettenmanagement. Sie glauben, dass es im Blockchain-Bereich noch viel Entwicklungs- und Arbeitsbedarf gibt und dass es eine gute Nachfrage nach Blockchain-Entwicklern geben wird. Kryptowährungen können rund um die Uhr gehandelt werden, was einer ihrer Vorteile ist. Die Redner ermutigen das Publikum außerdem, Feedback zur Sitzung zu geben und alle unbeantworteten Fragen zu erwähnen, die sie in Zukunft beantworten möchten.

[MetaQuotes]

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.

• 00:00:00 Es wird ein Seminar zur Einführung in den quantitativen Handel besprochen, das die Erstellung, Bewertung und Bereitstellung von Handelsalgorithmen anhand von Codebeispielen behandelt. Die Sitzung führt in die Konzepte des quantitativen Handels ein, einschließlich der Verwendung mathematischer und statistischer Modelle zur Identifizierung von Handelsmöglichkeiten und zur Ausführung von Geschäften. Es werden verschiedene Arten quantitativer Handelsstrategien erläutert, wie z. B. Momentum-Handel, Mean-Diversion-Handelssysteme, mathematische Modelle, Hochfrequenzhandel und nachrichtenbasierte Handelssysteme. Abschließend wird darauf hingewiesen, dass Algorithmen auch bei der Marktgestaltung und zur Ausnutzung von Preisineffizienzen zur Erzielung von Gewinnen eingesetzt werden.
  
  
• 00:05:00 Der Referent erklärt den Grundaufbau eines quantitativen Handelssystems, der Datenerfassung, Erstellung einer Handelsstrategie, Backtesting, Ausführung und Risikomanagement umfasst. Die am häufigsten für Handelsalgorithmen verwendeten Daten sind Preis-, Fundamental-, Wirtschafts- und Nachrichtendaten. Technische, statistische und mathematische Analysen können verwendet werden, um Handelsregeln für die Strategie zu entwerfen. Beim Backtesting werden die Regeln anhand historischer Daten getestet, um ihre Leistung zu bewerten. Die Ausführung kann manuell oder automatisch erfolgen, und das Risikomanagement hilft bei der Kapitalallokation und der Festlegung von Risikoparametern wie Stop-Loss. Der Referent liefert auch Live-Beispiele für quantitative Handelsstrategien.
  
  
• 00:10:00 Der Redner diskutiert die trendbasierte Strategie, die im quantitativen Handel verwendet wird, und wie sie mithilfe technischer Indikatoren wie dem exponentiellen gleitenden Durchschnitt, dem parabolischen SM und dem stochastischen Oszillator auf der Contra-Plattform gestaltet werden kann. Die Plattform bietet Video-Tutorials, interaktive Übungen und praktische Übungen, ohne dass der Benutzer Software installieren muss. Der Redner importiert Python-Module, um bei der Erstellung des Algorithmus zu helfen, und importiert Daten aus einer CSV-Datei, die zur Definition von Handelsregeln und zur Überwachung der Strategieleistung verwendet wird. Die technischen Indikatorparameter werden mithilfe des TLA-Python-Moduls festgelegt, was das Design dieser Indikatoren vereinfacht.
  
  
• 00:15:00 Der Dozent erklärt, wie man Handelsregeln definiert und Handelssignale mithilfe technischer Indikatoren wie dem EMA, stochastischen schnellen und stochastischen langsamen Oszillatoren generiert. Sie beschreiben fünf Handelsbedingungen, die erfüllt sein müssen, um ein Kaufsignal zu generieren, und entwerfen außerdem Handelsregeln für Short-Positionen. Der nächste Schritt besteht darin, die Strategie einem Backtest zu unterziehen, um zu sehen, wie gut sie in der Praxis funktioniert, was sie mit einem Python-Notebook durchführen. Die Darstellung der Strategierenditen zeigt, dass der Algorithmus zu Beginn des Jahres 2017 einen Verlust machte, sich aber ab 2018 erholte und am Ende des Testzeitraums einen Gewinn erzielte. Sie stellen außerdem BlueShift vor, eine Plattform, die es Benutzern ermöglicht, Algorithmen mit nur einem Klick zu recherchieren, zu erstellen und zu testen.
  
  
• 00:20:00 Wir sehen eine Demonstration des Backtestings der Bank of America-Aktie mithilfe der Blue Shift-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, je nachdem, ob Long- und Short-Bedingungen erfüllt sind. 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 %. Ein ausführlicherer Backtest kann durchgeführt werden, um Details zu monatlichen Renditen, getätigten Trades und verwendeten Margen zu erhalten und so bessere Handelsentscheidungen zu ermöglichen.
  
  
• 00:25:00 Der Redner zeigt, wie man auf der Blueshift-Plattform auf die vollständigen Backtest-Ergebnisse zugreifen kann, einschließlich visueller Darstellungen von Leistungsmetriken wie Algorithmusrenditen und monatlichen Rendite-Heatmaps. Sie erklären außerdem, wie man die vom Algorithmus eingenommenen Positionen analysiert und wichtige Kennzahlen wie den Gesamtgewinn aus Long- und Short-Seiten untersucht. Anschließend zeigt der Referent, wie man Risikoparameter und Orderlimits konfiguriert, bevor man die Strategie in Echtzeit umsetzt, entweder durch Papierhandel oder mit echtem Kapital.
  
  
• 00:30:00 Der Referent erklärt, wie man einen Broker auswählt und die Kapital- und Algorithmusparameter für den Papierhandel mithilfe der BlueShift-Handelsplattform festlegt. Der Benutzer kann aus verschiedenen Optionen wählen, beispielsweise Alpaca für US-Aktien, OANDA für Devisen und Master Trust für den Handel auf indischen Märkten. Der Referent zeigt, wie man mit BlueShift die Risikomatrix mit einem Drawdown-Limit von 30 % und Order- und Größenlimits von 1.000 bzw. 10.000 spezifiziert. Benutzer haben je nach Wunsch die Möglichkeit der automatischen Ausführung oder der Ein-Klick-Bestätigungsmethode. Der Algorithmus wird ausgeführt, sobald der Benutzer auf „Bestätigen“ klickt und BlueShift eine Verbindung mit der Alpaca-Papierhandelsfraktion herstellt. Das Dashboard zeigt das Handelskapital, die Trades, die Positionen und aktualisiert jede Millisekunde.
  
  
• 00:35:00 Der Referent geht auf die beiden Produkte Conda und Blueshift ein, die für den quantitativen Handel eingesetzt werden sollen. Conda wird verwendet, um Daten aus verschiedenen Quellen zu erhalten, von Aktienkursen und Kryptowährungen bis hin zu Nachrichten und sozialen Medien. Der Kurs beschreibt, wie man mithilfe von APIs auf grundlegende Berichte zugreift oder Social-Media-Daten in Handelssysteme extrahiert. Das zweite Produkt, Blueshift, dient zum Entwerfen und Testen der Strategien mithilfe ökonometrischer Modelle und Zeitreihenanalysen. Der Kurs bietet Beispiele und Code für verschiedene Handelsstrategien wie Mean-Division-Handelsstrategien, Momentum-Handelsstrategien und Day-Trading-Strategien. Darüber hinaus bieten sie zur Durchführung des Portfoliomanagements und zur Risikokontrolle „Portfolio Management using Machine Learning Hierarchical Disparity“ unter Verwendung von Methoden des maschinellen Lernens an. Blueshift ermöglicht das Backtesting der Handelsstrategien anhand einer Vielzahl von Datensätzen.
  
  
• 00:40:00 Der Redner diskutiert die verschiedenen Datensätze, die für die Ausübung des quantitativen Handels verfügbar sind, darunter US-Aktien, Kryptowährungen, Devisen, indische Aktien und Immobiliendaten. Es stehen zwei Arten von Bereitstellungen zur Verfügung: cloudbasiert und Desktop-basiert, wobei die cloudbasierte Ausführung vom Broker übernommen wird. Die Desktop-basierte Integration kann mithilfe der IBridgePy-Software erfolgen, um eine Verbindung zu Brokern wie Interactive Brokers oder eTrade herzustellen. Die an der Sitzung teilnehmenden Studenten erhalten einen Code für einen Rabatt von 60 % auf alle auf der ContraQuant-Website verfügbaren Kurse. Die Website bietet Kurse für Anfänger, Fortgeschrittene und Fortgeschrittene und deckt ein breites Spektrum an Konzepten wie neuronale Netze, NLP, Momentum-Strategien usw. ab. Optionen, Futures und Paarhandel.

[MetaQuotes]

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.

• 00:00:00 Der Moderator stellt das Thema des Webinars vor, das darin besteht, tägliche Aktienkurse vorherzusagen und eine Day-Trading-Strategie zu automatisieren. Es werden zwei Projektpräsentationen gehalten: Die erste befasst sich mit der Vorhersage täglicher Aktienkurse mit technischen Indikatoren und Stimmungsdaten des Zufallswaldklassifizierers, präsentiert von Renato Otto aus dem Vereinigten Königreich, und die zweite befasst sich mit der Automatisierung einer Option-Day-Trading-Strategie, präsentiert von Usual Agrawal aus Indien. Der Moderator stellt Renato Otto vor und gibt einen kurzen Überblick über ihn, einschließlich seiner Erfahrungen und seines Engagements bei der Entwicklung von Software und Tools zur quantitativen Analyse und systematischen Identifizierung von Marktmanipulationen im britischen Energiemarkt.
  
  
• 00:05:00 Der Moderator erörtert die Motivation für den Abschluss eines Projekts, bei dem es um die Vorhersage täglicher Aktienkurse und die Automatisierung einer Day-Trading-Strategie geht. Sie wollten ihre Kenntnisse in Python-Programmierung, Datentechnik und maschinellem Lernen in einem End-to-End-Projekt festigen, das ihre Fähigkeiten verbessern und die Leistungsfähigkeit von maschinellem Lernen und der Verarbeitung natürlicher Sprache im Handel erkunden würde. Darüber hinaus wollten sie etwas Wiederverwendbares entwickeln, das andere für ihre eigenen Analysen oder Umsetzungsstrategien nutzen können. Das Programm umfasst neun Schritte, beginnend mit der Bereitstellung von Details in einem Wörterbuch zur Definition der Analyse, gefolgt von der Initialisierung einer Pipeline und der Ausführung des Programms, um den Datensatz für Backtesting-Berechnungen zu erhalten. Der Moderator geht auf die Wichtigkeit ein, die Benutzerfreundlichkeit des Programms zu testen und sicherzustellen, dass die Zahlen am Ende zuverlässig sind.
  
  
• 00:10:00 Der Referent erklärt die verschiedenen Methoden beim Backtesting einer Daytrading-Strategie. Die Backtest-Strategieklasse besteht aus mehreren Methoden, mit denen Daten vorverarbeitet, Modelle trainiert und getestet sowie die Leistung der Strategie analysiert werden können. Die Ausgabe umfasst Tabellen und Diagramme, die unter anderem die Kapitalrendite, das Sharp Ratio und den maximalen Drawdown zeigen. Während die Backtesting-Methode nützlich ist, um die potenzielle Rentabilität der Strategie zu bestimmen, weist der Redner darauf hin, dass sie mehrere Vereinfachungen mit sich bringt, die für den Live-Handel möglicherweise nicht gelten. Die neueste Verbesserung des Programms umfasst die Aktualisierung der Parameter, um Transaktionsgebühren und Kontogröße einzubeziehen, um die tatsächlichen Handelsbedingungen widerzuspiegeln.
  
  
• 00:15:00 Der Moderator bespricht die Herausforderungen, denen er bei der Entwicklung des Programms zur Vorhersage täglicher Aktienkurse und zur Automatisierung des Tageshandels begegnete. Eine der Herausforderungen war die Komplexität der Implementierung eines interaktiven Menüs, das Benutzer zur Eingabe von Daten auffordert. Dies erforderte zusätzliche Überlegungen und Entwicklung, aber am Ende hat es sich gelohnt, da das Programm benutzerfreundlich ist. 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, Diagramme zu zeichnen, Kommentare als Sprungbrett zum eigentlichen Code zu schreiben, Pausen einzulegen, Probleme zu googeln und Wissen zu festigen. Der Moderator bespricht auch die durch dieses Projekt erzielten Erfolge, wie z. B. die Konsolidierung von Kenntnissen im Bereich quantitativer Finanzen und Programmierkenntnisse, die Gewinnung von Selbstvertrauen bei der Verwaltung eines Projekts von Anfang bis Ende und die Demonstration, wie maschinelles Lernen bei der Vorhersage des Aktienkurses für den nächsten Tag hilfreich sein kann.
  
  
• 00:20:00 Der Redner bespricht seine Pläne für zukünftige Projekte, nachdem er das aktuelle Projekt zur Vorhersage täglicher Aktienkurse und zur Automatisierung einer Day-Trading-Strategie abgeschlossen hat. Er erwähnt das Studium neuer Strategien mit unterschiedlichen Vermögenswerten, die Erweiterung des Wissens mit anderen Enthusiasten über seinen Blog, die Erforschung neuer Strategien und Modelle für maschinelles Lernen und schließlich die Umsetzung profitabler Strategien in einer Live-Handelsumgebung. Darüber hinaus gibt der Referent seine Kontaktinformationen an diejenigen weiter, die Fragen stellen oder mehr über das Projekt erfahren möchten. Das Publikum stellt auch mehrere Fragen, unter anderem wie viele lange Nächte der Redner während des Projekts hatte und ob das Programm in Kryptowährung verwendet werden kann.
  
  
• 00:25:00 Der Ersteller nutzte seit der Gründung des Unternehmens im Jahr 2009 tägliche Tesla-Preise, um das Modell zu trainieren. Der Trainingsprozess dauerte fünf Monate und das Modell wurde einige Jahre lang getestet. Bezüglich der Risikominderung erwähnte der Ersteller, dass man an einem Modell für maschinelles Lernen nicht viel tun kann, um das Risiko zu reduzieren. Dennoch bewerteten sie eine angemessene oder akzeptable Anzahl von Trades, um sicherzustellen, dass die meisten davon profitabel waren. Der Ersteller beantwortete auch Fragen zum Zeitrahmen für die Preisvorhersage und zur Notwendigkeit eines leistungsstarken PCs zum Trainieren des Modells.
  
  
• 00:30:00 Der Referent diskutiert den Prozess des Modelltrainings und die Vorteile des algorithmischen Handels gegenüber diskretionären Systemen. Er erklärt, dass es möglich ist, ein Modell mit einem Computer ohne GPU zu trainieren, und dass es mehrere Stunden dauern kann, bis man zu einem funktionierenden Modell gelangt. Er weist darauf hin, dass dies zwar einmalig möglich sei, für den regelmäßigen Gebrauch jedoch nicht zu empfehlen sei. Auf die Frage nach den Vorteilen des algorithmischen Handels gibt der Redner an, dass es statistische Sicherheit dafür gibt, dass die meisten Geschäfte profitabel sind, was sie profitabler macht als den diskretionären Handel. Abschließend teilt der Redner seine Erwartungen an das epac-Programm mit und erklärt, dass es ihm die Grundlagen zum Verständnis des Algo-Handels und die Instrumente zur Auswahl seiner Spezialisierung vermittelt habe.
  
  
• 00:35:00 Der zweite Sprecher des Videos, Usual Agrawal, wird als quantitativer Händler und Geschäftsinhaber aus Indien vorgestellt. Agrawal handelt seit vier Jahren auf den indischen Märkten und hatte Schwierigkeiten, sein Geschäft zu verwalten, während er Vollzeit handelte. Dies veranlasste ihn, seine Handelskonfigurationen mithilfe des EPAD-Kurses und der bedingungslosen Unterstützung des Quantum City-Teams zu automatisieren. Während der zweiten Präsentation stellt Agrawal sein vollautomatisches Handelssetup „Intraday Straddles“ vor, das unkorrelierte Setups kombiniert, um angemessene Renditen bei minimalen Drawdowns zu erzielen. Er beschreibt auch seinen Ansatz zur Datenerfassung, zum Backtesting, zum Fronttest, zum Einsatz und zur Leistungsbewertung seiner Handelsstrategie.
  
  
• 00:40:00 Der Redner erörtert die Daten, Systeme und Parameter, die zum Backtest einer grundlegenden Day-Trading-Strategie verwendet werden, bei der Straddles und Strangles für die Futures- und Optionsdaten von Nifty und Bankruptcy in einem Zeitrahmen von einer Minute erstellt werden. Der Redner verwendete Daten aus zwei Jahren von März 2019 bis März 2021, die sowohl eine Phase geringer Volatilität als auch die COVID-19-Pandemie umfassten. Anschließend erklärt der Referent die verschiedenen Klassen, die für das Backtesting verwendet werden, und die getesteten Parameter, einschließlich unterschiedlicher Stop-Loss-Level. Abschließend stellt der Referent die Ergebnisse des Backtestings vor.
  
  
• 00:45:00 Der Moderator bespricht die Ergebnisse seines Backtestings und Fronttests einer Daytrading-Strategie. In 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 lag bei 3,78 und die Aktienkurve erhielt eine 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 war flach, was darauf hindeutet, dass die Strategie derzeit möglicherweise nicht gut abschneidet und einer Analyse bedarf. Der Moderator teilt auch die wichtigsten Herausforderungen und Erkenntnisse während dieses Projekts mit, wobei bei der Datenerfassung große Probleme auftreten.
  
  
• 00:50:00 Der Redner erörtert einige der Herausforderungen, denen man sich bei der Entwicklung einer Day-Trading-Strategie gegenübersieht. Ein großes Problem bestand darin, zuverlässige Intraday-Optionsdaten zu erhalten, die den Kauf von Drittanbietern erforderten. Eine weitere Herausforderung war die Stichprobenverzerrung, da sich die Analyse nur auf die Daten der letzten zwei Jahre konzentrierte, die möglicherweise nicht genau die Gesamtleistung der Strategie widerspiegeln. Darüber hinaus wies der Redner auf einen Überfüllungseffekt auf dem Markt hin, da viele Händler ähnliche Strategien anwenden. Anschließend teilt der Redner den Grund für die Entscheidung mit, die Strategie unabhängig zu entwickeln, was individuelle Anpassungen ermöglichte. Abschließend erörtert der Redner die laufenden Bewertungen der Strategie und die Bemühungen, sie für mehr Effizienz zu diversifizieren.
  
  
• 00:55:00 Der Redner beantwortet Fragen des Publikums, einschließlich der Frage, ob das Programm manuell oder automatisiert über Cloud-Plattformen ausgeführt wird, und wie sie ausgewählt haben, welche Aktie straddle verkauft werden soll und wie weit der typische Stop-Loss im Verhältnis zur Prämie liegt. Die Strategie gilt aufgrund von Liquiditätsproblemen nur für den Nifty-Index und den Bank Nifty-Index, und der Redner bereinigt die Daten durch Versuch und Irrtum, korrigiert Formatänderungen und entfernt Tage mit Datenfehlern.
  
  
• 01:00:00 Der Redner beantwortet zwei Fragen zu ihrer Daytrading-Strategie, einschließlich des Stop-Loss-Prozentsatzes, den sie zum Testen verwendet haben, und der Herausforderungen, denen sie beim Programmieren ohne Hintergrund in Computertechnik gegenüberstanden. Sie diskutieren, wie sie diese Herausforderungen mithilfe des EPAT-Programms und der Betreuung durch Quadency gemeistert haben. Der Redner gibt auch Ratschläge für angehende Quants und algorithmische Händler und betont, dass die vorgestellte Strategie zwar einfach erscheinen mag, es jedoch wichtig ist, bei der praktischen Anwendung Vorsicht und ein angemessenes Risikomanagement walten zu lassen.
  
  
• 01:05:00 Der Redner erörtert die Bedeutung der Diversifizierung von Handelsstrategien und wie sie hilfreich sein kann, wenn sich eine Strategie in einer Drawdown-Phase befindet, während die anderen eine gute Leistung erbringen. Er betont die Notwendigkeit, die Strategien zu testen und Zeit damit zu verbringen, sie so zu lernen und zu kombinieren, dass sie am besten funktionieren. Er weist ausdrücklich darauf hin, dass es sich hierbei nicht um eine Handelsberatung handelt, und bedankt sich bei Visual für die Weitergabe seines Projekts und seiner Erfahrungen. Die Sitzungsaufzeichnung wird auf ihrem YouTube-Kanal verfügbar sein und die Teilnehmer erhalten eine E-Mail mit den erforderlichen Codes und GitHub-Links. Der Gastgeber freut sich auf weitere interessante Sitzungen in den kommenden Monaten.

[MetaQuotes]

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.

• 00:00:00 Der Webinar-Moderator stellt den ersten Redner vor, Evgeny Teshkin, einen leitenden quantitativen Analysten aus Russland, der sein Projekt zur Implementierung eines Preismodells mit Kalman-Filterung vorstellt, das sich an Marktregime anpasst. Teshkin erklärt, dass das Projekt ein pädagogisches Beispiel dafür ist, wie quantitative Techniken des maschinellen Online-Lernens bei der Entwicklung von Strategien eingesetzt werden können. Er betont, dass die Online-Lerntechnik eine tiefere Automatisierung und Echtzeithandel ermöglicht, was effizienter ist als die herkömmliche Modellumschulung. Das Ziel des Projekts besteht darin, Handelsstrategien zu entwickeln, die einfache Sektorinvestitionen verbessern, wobei der Schwerpunkt auf dem großen Technologiesektor des US-amerikanischen Aktienmarktes liegt, wie Facebook, Apple, Netflix, Google, Amazon und Microsoft.
  
  
• 00:05:00 Der Referent erklärt seinen Ansatz zur Implementierung eines Preismodells und einer dynamischen Asset-Allokation für ein Algo-Trading-Projekt. Der Ansatz umfasste den Einsatz statistischer oder quantitativer Techniken für Long-Only-Positionen, das Erfassen von Ein- und Ausstiegspunkten und die Ermittlung unter- oder überbewerteter Preise im Vergleich zu anderen Aktien des Sektors. Der Redner verwendete lineare Regression, Hauptkomponentenanalyse und Kalman-Filtermodelle, um Residuen zu berechnen und optimale Koeffizienten für die statistische lineare Streuung zwischen korrelierten Aktien des Sektors zu finden. Der entscheidende Punkt war der relative Wert der Aktie, und das Online-Lernen hatte ein Rückschaufenster von einem Jahr unter Verwendung von Eingaben wie dem Aktienkurs und dem Zahnärzteindex.
  
  
• 00:10:00 Der Redner bespricht verschiedene Modelle, die er zur Lösung von Datenanalyseproblemen für sein Algo-Trading-Projekt verwendet hat, einschließlich der Extraktion orthonormaler, nicht korrelierter Varianzkomponenten, des Kalman-Filters und versteckter Markov-Modelle. Er erklärt, wie er diese Modelle in seinem Ansatz nutzt und stellt Ressourcen für weiteres Lernen bereit. Darüber hinaus bespricht er die Ergebnisse seines Projekts und die Tricks, mit denen er potenziell profitable Positionen erhöht hat.
  
  
• 00:15:00 Der Redner erörtert den Ansatz, mit dem man den Markt durch den Kauf und Verkauf von Aktien auf der Grundlage einfacher Tagesendkurse und Deltas schlägt. Sie erklären auch, wie es ihnen gelungen ist, die mit dieser Strategie verbundenen Risiken zu überwinden, indem sie mehrere Ein- und Ausstiege nutzten, die durch Online-Relativpreistechniken ermittelt wurden. Untersucht wird das Konzept der Nutzung relativer Aktienpreise zur Bestimmung von Ein- und Ausstiegen sowie der Einsatz von Online-Maschinenlernen zur Erstellung automatisierter Echtzeit-Preismodelle. Der Redner ermutigt das Publikum, sich sein Projekt online anzuschauen, den Code herunterzuladen und sich bei weiteren Fragen an das Publikum zu wenden. Das Webinar wird aufgezeichnet und zusammen mit der Präsentationsdatei und den Links auf dem YouTube-Kanal verfügbar gemacht. Der Redner beantwortet auch Fragen des Publikums zu deren Teilnahme an Algo-Trading-Wettbewerben und ob die präsentierten Ergebnisse aus tatsächlichem Handel oder nur Backtesting stammen.
  
  
• 00:20:00 Der Webinar-Moderator beantwortet mehrere Fragen von Zuschauern zu ihrem Algo-Trading-Projekt. Ein Zuschauer fragte nach der Verwendung der linearen Regression für eine optimale Korrelation mit der Ziel-VR, wobei der Moderator erklärte, dass die Eingaben für das Regressionsmodell lediglich Preisdeltas für andere Aktien seien. Ein anderer Zuschauer fragte, warum die Buy-and-Hold-Strategie am besten zu funktionieren schien, worauf der Moderator antwortete, dass sie zwar möglicherweise den höchsten Gesamtgewinn erziele, das Ziel des Projekts jedoch darin bestünde, das Risiko zu überwinden, und dass die risikobereinigte Rendite tatsächlich höher sei für die optimierte Verkehrsstrategie. Der Referent ging auch auf eine Frage zu verborgenen Zuständen im statistischen Modell ein, das im Projekt verwendet wurde.
  
  
• 00:25:00 Der Referent erklärt die Zustände und Funktionen, die er für seine Analyse bei der Entwicklung eines Algo-Trading-Projekts verwendet hat. Er wählte zwei bis drei Staaten als Marktregime, berechnet anhand von Parametern wie Preisdeltas für Sektor-ETFs und großen Deltas als beobachtbaren Marktindikatoren. Die von ihm verwendeten Funktionen waren einfach, wie zum Beispiel Preisdeltas und ihre gleitenden Durchschnitte, und er extrahierte auch die erste und zweite Komponente aus diesen Deltas für die lineare Regression. Bei der Auswahl der Hauptkomponenten für die PCA bestand die Strategie darin, die erste und mindestens eine weitere Komponente zu verwenden, da diese die meisten Unterschiede in diesem Sektor erklären. Der Redner erwähnt auch, dass die Vorhersage der Volatilität zwar ein weiterer zu erforschender Bereich sei, dieses Projekt sich jedoch auf die Vorhersage von Preisen konzentrierte, um das Handelsrisiko zu verbessern.
  
  
• 00:30:00 Der Moderator beantwortet ein paar Fragen des Publikums. Eine Frage betrifft, ob das Preismodell auf andere Instrumente wie Krypto oder Forex zurückgetestet wurde, worauf der Moderator erklärt, dass dies noch nicht der Fall sei, die Konzepte jedoch auf eine Vielzahl von Finanzinstrumenten angewendet werden könnten. Eine weitere Frage ist, ob der Handel mit Futures durch maschinelles Lernen einfacher vorherzusagen ist als der Handel mit Aktien. Der Moderator erklärt, dass dies vom Modell abhängt, die Prinzipien jedoch dieselben sind, und empfiehlt, es einfach zu halten, um eine Überanpassung zu vermeiden. Anschließend stellt der Moderator das nächste Projekt vor, bei dem es um die dynamische Vermögensallokation mithilfe neuronaler Netze geht.
  
  
• 00:35:00 Der Moderator bespricht sein Projekt zum Thema „Dynamische Vermögensallokation mithilfe neuronaler Netze“, das darauf abzielt, ein automatisiertes System für die Strategie „Heute kaufen, morgen verkaufen“ für Bankaktien mit minimalem manuellen Eingriff aufzubauen. Die Lösung besteht aus Modellentwicklungs-, Strategie- und Risikomanagementteilen. Die Modellentwicklung umfasst die Entwicklung einer Reihe von drei Deep-Learning-Modellen, darunter ein probabilistisches Modell und zwei renditebasierte Modelle, indem sie anhand von Daten aus fünf Jahren für 12 raffinierte Bankaktien trainiert werden. Die Strategie besteht darin, die Ergebnisse dieser Modelle zu kombinieren, um eine erwartete Rendite für die Aktie zu ermitteln, und dann die Mittel auf der Grundlage von Verhältnissen in die jeweiligen Aktien zu verteilen. Schließlich umfasst der Risikomanagementteil die Behandlung von Themen wie Transaktionskosten und Automatisierung.
  
  
• 00:40:00 Der Redner erklärt die Strategie, das Risikomanagement und die Herausforderungen, denen sie bei der Entwicklung ihres Handelsalgorithmus gegenüberstanden. Sie verwendeten eine konvergente Architektur, um sowohl ihr probabilistisches Renditemodell als auch ihr Renditemodell zu erstellen. Die Strategie bestand darin, die erwartete Rendite für jede Aktie zu berechnen und sie durch die Renditevolatilität zu dividieren, um ein Verhältnis zu erhalten. Anschließend verteilten sie ihre verfügbaren Barmittel proportional zu den positiven Kennzahlen und verkauften die Portfolios proportional zu den erwarteten Verlusten. Der Algorithmus wurde dynamisch aktualisiert und es wurden Stop-Losses auf Aktien angewendet. Eine Herausforderung bestand darin, den Aktualisierungsprozess zu automatisieren, und eine andere darin, keine Marktmikrostrukturstrategie zu haben, um den besten Kauf- oder Verkaufspreis vorzuschlagen.
  
  
• 00:45:00 Der Redner bespricht die Ergebnisse ihres Backtestings und wie sie dazu kamen, eine 20-Tage-Kombination als die am besten geeignete für ihr Modell zu verwenden. Sie erwähnen auch bevorstehende Schritte wie die Integration textueller Nachrichtenbewertungen für Bankaktien und die weitere Automatisierung des Modells in einer Android-App-basierten Lösung. Der Redner beantwortet auch Fragen des Publikums, darunter Fragen zu den Backtesting-Ergebnissen und der Verwendung von Stop-Loss in seinem Modell. Die Backtesting-Renditen waren anständig und ergaben über einen bestimmten Zeitraum Muster von etwa 5 %, und der Betatest ergab in den letzten sechs Monaten eine Rendite von fast 10 %.
  
  
• 00:50:00 Der Referent erklärt, dass sie einen Stop-Loss von fünf Prozent des Portfoliowertes pro Anlagewert der Aktie eingeführt haben. Wenn eine Aktie fünf Prozent des in sie investierten Betrags verliert, wird sie aus dem Portfolio entfernt, um den maximalen Verlust für jede Aktie auf fünf Prozent zu begrenzen. Der Redner beantwortet dann Fragen dazu, ob die dynamische Vermögensallokation besser abschneidet als einfaches Kaufen und Halten, und er erklärt, dass sie sie mit der Nifty Bank verglichen und festgestellt haben, dass sie einigermaßen gut abschneidet, nämlich bei fast fünf Prozent. Der Redner erklärt auch, dass sie für das neuronale Netzwerk keine hybride Parameteroptimierung verwendet haben und das Thema des Projekts so gewählt haben, dass es Deep Learning und Handel kombiniert, wobei der Schwerpunkt auf dem Bankensektor liegt, da der Markt die Lage der Banken widerspiegelt. Sie erwähnen auch, dass ihr Hintergrund im maschinellen Lernen ihnen geholfen hat, sich für das Projekt weiterzubilden.
  
  
• 00:55:00 Ein Teilnehmer teilt seine positiven Erfahrungen mit EPAT und gibt an, dass es sowohl im Hinblick auf das theoretische Lernen als auch auf die praktische Umsetzung nützlich war. Sie stellen fest, dass es ihnen geholfen hat, ein mathematisches Verständnis für die Preisgestaltung von Optionen und Futures zu erlangen. Der Teilnehmer lobt außerdem das Unterstützungssystem des Programms und den engagierten Leistungsmanager, der dabei geholfen hat, seinen Fortschritt zu überwachen. Obwohl sie den Kurs als herausfordernd empfanden, glauben sie, dass er für ihre Weiterentwicklung als Kreativer und Profi wichtig war. Angehende Trader werden ermutigt, ihre aktuellen Stärken zu erkunden und sich nicht auf sie zu beschränken, da sie irgendwann einen Überblick darüber bekommen, wie die Dinge funktionieren.
  
  
• 01:00:00 Die Referenten betonen den Stellenwert von praktischem Wissen gegenüber theoretischem Wissen und fordern die Teilnehmer auf, das Gelernte so schnell wie möglich in der Praxis anzuwenden. Sie empfehlen, den iPad-Kurs für alltägliche Handelsexperimente zu nutzen, um den Teilnehmern zu helfen, durch die Umsetzung und das Lernen weiter zu wachsen. Das Webinar endet mit einem Dankeschön an die Referenten und das Publikum sowie der Bitte um Themenvorschläge für zukünftige Webinare.

[MetaQuotes]

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.

• 00:00:00 Die Moderatoren Ishan Shah und Rekhit Pachanekar stellen sich vor und besprechen den letzten Tag der Algo-Handelswoche. Sie heben die Gewinner des Algo-Trading-Wettbewerbs hervor und stellen die beiden Redner des Tages vor. Sie erwähnen, dass sich die Präsentation auf maschinelles Lernen konzentrieren wird und dass es am Ende eine Frage-und-Antwort-Runde geben wird. Rekhit Pachanekar wird das Webinar beginnen und es dann an Ishan Shah weitergeben.
  
  
• 00:05:00 Das Video führt am Beispiel der Bilderkennung in die Grundlagen des maschinellen Lernens ein. Durch maschinelles Lernen können Algorithmen aus Daten lernen und Entscheidungen treffen, im Gegensatz zu herkömmlichen Computerprogrammen, die eine umfangreiche Programmierung erfordern. Das Video erklärt dann die Rolle des maschinellen Lernens beim Handel und Investieren, insbesondere bei der Erstellung von Anlageportfolios für Einzelpersonen auf der Grundlage von Daten wie Gehalt, Beruf, Region usw. Maschinelles Lernen weist auch Vermögenswerten in einem Portfolio Gewichte zu und hilft bei der Erstellung von Handelsstrategien . Hedgefonds, Pensionsfonds und Investmentfonds nutzen die Geschwindigkeit und Fähigkeit des maschinellen Lernens, große Datenmengen für Anlage- und Handelsentscheidungen zu analysieren.
  
  
• 00:10:00 Die Referenten diskutieren die sieben Schritte zum Aufbau eines Modells für maschinelles Lernen (ML) für den Handel und wie sogar einzelne Einzelhändler die ML-Technologie nutzen können, um ihre eigenen Handelsstrategien zu entwickeln. Der erste Schritt besteht darin, die Problemstellung zu definieren, die so einfach sein kann wie der Wunsch, positive Renditen zu erzielen, aber mit weiterer Verfeinerung kann sie spezifischer werden, wie etwa die Bestimmung des richtigen Zeitpunkts für die Investition in eine bestimmte Aktie wie JP Morgan. Der zweite Schritt besteht darin, qualitativ hochwertige Daten zu erhalten und sicherzustellen, dass keine fehlenden oder doppelten Werte sowie keine Ausreißer in den Daten vorhanden sind. Die Referenten betonen die Bedeutung der Datenqualität beim Aufbau eines genauen ML-Modells.
  
  
• 00:15:00 Ishan Shah und Rekhit Pachanekar erklären den Prozess der Auswahl von Eingabe- und Ausgabevariablen für ein maschinelles Lernmodell im Handel. Die Ausgabevariable oder Zielvariable ist die zukünftige Rendite einer Aktie, und einer Signalvariablen wird der Wert 1 zugewiesen, wenn die zukünftige Rendite als positiv vorhergesagt wird, und 0, wenn sie als negativ vorhergesagt wird. Die Eingabevariablen oder Merkmale müssen eine Vorhersagekraft haben und die Stationaritätsanforderung erfüllen, was bedeutet, dass sie eine mittlere und konstante Varianz aufweisen, die wie ein Pendel hin und her schwingt. Die Open-, Low-, High- und Close-Variablen sind nicht stationär und können daher nicht als Eingabemerkmale verwendet werden.
  
  
• 00:20:00 Die Referenten diskutieren den Prozess der Auswahl von Eingabefunktionen für ihr maschinelles Lernmodell im Handel. Sie stellen fest, dass das Modell stationäre Eingabemerkmale erfordert, die sie erreichen, indem sie prozentuale Änderungswerte für verschiedene Zeiträume verwenden. Sie betonen außerdem, wie wichtig es ist, Korrelationen zwischen Eingabevariablen zu vermeiden, und verwenden eine Korrelations-Heatmap, um stark korrelierte Merkmale zu entfernen. Die endgültige Auswahl der Eingabefunktionen umfasst prozentuale Änderungswerte für verschiedene Zeiträume, RSI und Korrelation. Bevor sie das Modell für den Live-Handel verwenden, teilen sie ihren Datensatz in Trainings- und Testsätze auf, um die Leistung des Modells zu bewerten.
  
  
• 00:25:00 Die Referenten diskutieren, wie wichtig es ist, die Qualität und Relevanz der in maschinellen Lernmodellen verwendeten Datensätze sicherzustellen, bevor entschieden wird, welches Modell verwendet werden soll. Sie stellen außerdem das Konzept der Entscheidungsbäume vor und fragen die Teilnehmer, wie sie persönlich entscheiden, ob sie eine bestimmte Aktie oder einen bestimmten Vermögenswert kaufen oder nicht. Die Antworten reichen von technischen Indikatoren bis hin zu Empfehlungen von Freunden. Die Referenten halten es für wichtig, bei der Nutzung solcher Funktionen ein mentales Modell für die Entscheidungsfindung zu etablieren, das auf persönlichen Erfahrungen basiert. Sie stellen das Konzept der Zufallswälder und die Verwendung von Bayes'schen Bäumen als Grundlage für Entscheidungsbäume vor.
  
  
• 00:30:00 Die Referenten erklären, wie man mithilfe von Algorithmen des maschinellen Lernens, insbesondere eines Entscheidungsbaums, Regeln für den Handel erstellt. Diese Regeln, zu denen technische Indikatoren wie ADX und RSI gehören können, ermöglichen es Händlern, Entscheidungen auf der Grundlage vordefinierter Bedingungen zu treffen. Um sicherzustellen, dass diese Regeln nicht ausschließlich auf Glück basieren, stellen die Referenten das Konzept eines Random Forest vor, das mehrere Entscheidungsbäume verwendet, 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 eine genauere Vorhersage. Die Referenten diskutieren die verschiedenen Parameter, die für den Random-Forest-Algorithmus erforderlich sind, einschließlich der Anzahl der Schätzer, der maximalen Features und der maximalen Tiefe des Baums.
  
  
• 00:35:00 Die Referenten diskutieren die Parameter und den Code, die bei der Implementierung eines Random-Forest-Klassifikators zur Anwendung von maschinellem Lernen im Handel erforderlich sind. Sie erläutern, 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 benötigt Eingabemerkmale und erwartete Ausgaben, um Regeln zu lernen und Entscheidungsbäume zu erstellen, die dann verwendet werden, um Vorhersagen zu unsichtbaren Daten zu treffen. Die Leistung des Modells kann anhand verschiedener Metriken gemessen werden.
  
  
• 00:40:00 Die Referenten diskutieren anhand der Empfehlungen, wie wichtig es ist, die Wirksamkeit eines Modells für maschinelles Lernen zu bewerten, bevor echtes Geld investiert wird. Sie führen das Konzept der Genauigkeit ein, bei dem überprüft wird, ob die Vorhersagen des Modells mit den tatsächlichen Marktereignissen übereinstimmen. Sie betonen, dass die Genauigkeit eines Modells typischerweise zwischen 50 % und 60 % liegt und dass eine hohe Genauigkeitsrate nicht unbedingt gute Ergebnisse garantiert. Um die Leistung eines Modells zu bestimmen, schlagen die Referenten die Verwendung einer Verwirrungsmatrix vor, um tatsächliche mit vorhergesagten Bezeichnungen zu vergleichen und Leistungsmetriken wie Präzision, Erinnerung und F1-Score zu berechnen.
  
  
• 00:45:00 Die Genauigkeit des Modells wird ausführlich besprochen und eine Umfrage durchgeführt, um sie zu ermitteln. Die Genauigkeit des Modells wird mit 60 % berechnet, obwohl die Genauigkeit für das lange Signal bei etikettenbezogener Überprüfung auf 33 % sinkt. Dies wirft die Frage auf, ob eine Erhöhung der Genauigkeit zu einem profitablen Handelsmodell führt. Die Genauigkeit des Modells ist wichtig, da sie dabei hilft, zu bestimmen, wie effektiv es bei der Vorhersage des Marktes ist. In diesem Fall führt eine hohe Gesamtgenauigkeit nicht unbedingt zu Rentabilität.
  
  
• 00:50:00 Shah und Pachanekar diskutieren die verschiedenen Metriken, die zur Bewertung der Leistung eines Handelsmodells verwendet werden, wie z. B. Präzision, Rückruf und F1-Score. Sie stellen fest, dass der Rückruf zwar dabei helfen kann, Probleme mit unausgeglichenen Daten zu überwinden, dass er jedoch auch allein eine unzuverlässige Messgröße sein kann. Stattdessen empfehlen sie, zur Berechnung des F1-Scores eine Kombination aus Präzision und Erinnerung zu verwenden. Dieser Wert kann leicht mithilfe einer Verwirrungsmatrix erstellt werden, und ein hoher F1-Wert weist auf ein Modell hin, das es wert ist, gehandelt zu werden. Sie erörtern auch die Bedeutung eines Backtestings des Modells, um sicherzustellen, dass es in der Praxis gut funktioniert, und warnen vor einer Überanpassung des Modells.
  
  
• 00:55:00 Modelle können überpassen, was bedeutet, dass sie zu genau an die Trainingsdaten angepasst sind und bei neuen Daten möglicherweise nicht gut funktionieren. Andererseits ist eine Überoptimierung das Ergebnis wiederholter Backtests und Optimierungen einer Handelsstrategie, um das gewünschte Ergebnis zu erzielen. Dies kann dazu führen, dass ein Sonderfall gefunden wird, der bei Trainings- und Testdaten gut funktioniert, bei Live-Daten jedoch möglicherweise nicht. Um eine Überoptimierung zu vermeiden, ist es wichtig, über robuste Modelle zu verfügen, die über mehrere Anlageklassen hinweg funktionieren, Risikomanagement-Tools wie Stop-Loss-Mechanismen zu verwenden und beim Backtesting keine Überanpassung oder Überoptimierung vorzunehmen.
  
  
• 01:00:00 Überanpassung tritt auf, wenn das Modell versucht, sich zu genau an den Trainingsdatensatz anzupassen, was durch eine hohe Genauigkeitsrate der Trainingsdaten angezeigt wird. Andererseits liegt eine Unteranpassung vor, wenn das Modell nicht wie erwartet aus den Daten lernen kann, was sich in einer sehr geringen Genauigkeitsrate zeigt. Eine Möglichkeit, dies zu quantifizieren, besteht darin, die Genauigkeitsrate des Modells zu messen, wobei eine Genauigkeitsrate von 100 auf eine Überanpassung hinweist und eine sehr niedrige Genauigkeitsrate auf eine Unteranpassung hinweist.
  
  
• 01:05:00 Die Referenten gehen auf das Problem der Überanpassung in realen Umgebungen ein und schlagen Möglichkeiten vor, damit umzugehen, basierend auf dem spezifischen verwendeten Modell. 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 geben außerdem an, dass es wichtig ist, mit realen Daten zu arbeiten und diese nicht zu manipulieren. Darüber hinaus diskutieren sie die Anwendungen des maschinellen Lernens im Handel und weisen darauf hin, dass es viel besser ist als nur die Generierung von Signalen und viel Spielraum im Risikomanagement bietet. Schließlich gehen sie auf die Entdeckung von Alphasignalen mit Modellen des maschinellen Lernens ein, indem sie Clustering-Algorithmen verwenden, um profitable Pole auf dem Markt zu identifizieren.
  
  
• 01:10:00 Ishan Shah und Rekhit Pachanekar diskutieren die Vorteile des Einsatzes von maschinellem Lernen im Handel, insbesondere bei der Entschlüsselung komplexer Muster, die Menschen möglicherweise nur schwer erkennen können. Maschinelles Lernen kann nachhaltigere und robustere Alphas erzeugen, die nicht sofort, sondern über einen längeren Zeitraum abklingen. Sie schlagen vor, maschinelles Lernen als Ergänzung zum Alpha-Identifizierungsprozess einzusetzen. Die Sitzung endet mit einem Dankeschön an die Redner und Teilnehmer der Algo Trading Week und einer Einladung, alle unbeantworteten Fragen in der Umfrage zu stellen.