Comercio Cuantitativo - página 24
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Inteligencia artificial en el comercio por el Dr. Thomas Starke | Día 6 de la semana de negociación de Algo
Inteligencia artificial en el comercio por el Dr. Thomas Starke | Día 6 de la semana de negociación de Algo
El Dr. Thomas Starke, un destacado orador, analiza por qué la IA se considera el próximo gran avance en el comercio durante su presentación. Reconoce que la IA y el aprendizaje automático han existido durante mucho tiempo, pero debido a la potencia informática limitada, su aplicación efectiva fue un desafío. Sin embargo, los avances tecnológicos recientes han mejorado drásticamente las capacidades computacionales, lo que permite que algoritmos sustanciales se ejecuten de manera eficiente en computadoras portátiles y en centros de servidores a través de la computación en la nube. El Dr. Starke destaca los éxitos de la IA en varios campos, como el reconocimiento facial, el reconocimiento de imágenes y el procesamiento del lenguaje natural, que han contribuido a la creencia de que la IA también puede revolucionar las finanzas.
El Dr. Starke enfatiza que la IA y el aprendizaje automático no son balas mágicas sino herramientas científicas y matemáticas que requieren una comprensión y aplicación profundas dentro del dominio financiero. Si bien las finanzas tienen aspectos científicos, se las considera predominantemente una forma de arte. Por lo tanto, para aprovechar el potencial de la IA en las finanzas, se deben dominar tanto las herramientas como el arte del campo.
Durante su charla, el Dr. Starke aborda el papel del desarrollo de software y las habilidades de programación junto con el aprendizaje automático y el conocimiento estadístico en la aplicación de la IA al comercio. Destaca la importancia de contar con sólidas habilidades de software, incluida la escritura de API y garantizar la seguridad del sistema, como elementos esenciales para el empleo efectivo de herramientas de aprendizaje automático en el mercado. Argumenta que si bien las herramientas de aprendizaje automático son fáciles de usar, las habilidades de programación y el conocimiento estadístico son fundamentales para los profesionales en este campo. Además, aborda la cuestión de si es necesario un doctorado para utilizar algoritmos de aprendizaje automático y afirma que no es esencial siempre que las personas tengan objetivos específicos, realicen una investigación exhaustiva y estén dispuestos a realizar el trabajo necesario.
La importancia de la tutoría en el aprendizaje de la IA para el comercio es otro tema discutido por el Dr. Starke. Él enfatiza que encontrar un buen mentor puede ayudar a los principiantes a evitar errores comunes y desarrollar conocimientos prácticos en lugar de confiar únicamente en los conocimientos teóricos obtenidos de las instituciones académicas. El Dr. Starke enfatiza que cualquiera puede aprender IA, pero tener un mentor que pueda brindar la orientación adecuada es invaluable. También enfatiza que comprender los mercados y la economía subyacentes es más crucial que las habilidades de programación, ya que la programación se puede aprender con la tutoría adecuada.
Durante su presentación, el Dr. Starke también enfatiza la importancia de aprender programación y métodos cuantitativos en la industria comercial actual. Él destaca que los comerciantes exitosos a menudo poseen una sólida comprensión de las matemáticas y la programación, y aquellos interesados en el comercio pueden aprender estas habilidades con relativa rapidez. Señala que los comerciantes que invierten tiempo en aprender métodos cuantitativos y aprendizaje automático tienen más posibilidades de sobrevivir cuando se produce la transición del comercio de pantalla al comercio algorítmico. Sin embargo, enfatiza que tener una ventaja económica y de mercado es crucial y supera la ventaja obtenida solo con las habilidades de programación y matemáticas. También menciona que el aprendizaje profundo requiere que las empresas y las personas expliquen sus rendimientos, y enfrentar un año de rendimientos negativos puede plantear desafíos importantes.
El Dr. Starke también analiza la explicación de los algoritmos de IA y las prácticas de gestión de riesgos. Él enfatiza la importancia de poder explicar los algoritmos de IA, ya que no hacerlo puede generar problemas o incluso el retiro de fondos. Menciona que, a pesar del uso de la IA y el aprendizaje automático, las prácticas de gestión de riesgos permanecen prácticamente sin cambios, pero es necesario explorar nuevas formas de gestionar el riesgo, particularmente con el final de la carrera alcista en acciones y bonos. El Dr. Starke enfatiza que el aprendizaje automático es omnipresente en el comercio, con varias aplicaciones, como la generación de señales de entrada y la gestión del riesgo de los modelos de aprendizaje automático.
El Dr. Starke se sumerge en los diferentes modelos y tecnologías que se utilizan en el comercio, como el análisis de componentes principales (PCA), los árboles de decisión, xgboost, el aprendizaje profundo y el aprendizaje por refuerzo. Habla de sus aplicaciones en el análisis de datos de señales, la gestión del riesgo de la cartera y la ejecución de operaciones. También destaca la importancia de los sistemas de gestión de riesgos para aumentar los rendimientos geométricos y replicar estrategias exitosas en otros mercados. El Dr. Starke sugiere que los buenos sistemas de gestión de riesgos pueden incluso generar alfa y considerarse estrategias de volatilidad larga.
Además, el Dr. Starke explora cómo se puede utilizar la IA para cubrir y gestionar el riesgo de las estrategias de volatilidad corta en el comercio, mejorando potencialmente el alfa generado por tales estrategias. Él enfatiza la importancia de la curiosidad y una apreciación saludable por el riesgo en el aprendizaje continuo y el desarrollo de nuevas estrategias comerciales. Él desaconseja confiar en plataformas comerciales listas para usar y, en cambio, alienta las estrategias de codificación desde cero para obtener una ventaja de aprendizaje profundo.
El Dr. Starke participa en una discusión sobre los movimientos de precios basados en el tiempo versus los movimientos del mercado basados en precios. Explica que los movimientos de precios basados en el tiempo se pueden resolver matemáticamente mediante el cálculo de indicadores, mientras que los movimientos del mercado basados en precios están determinados por la economía subyacente del mercado. El Dr. Starke enfatiza la importancia de considerar el razonamiento económico subyacente para una estrategia comercial en lugar de confiar únicamente en técnicas matemáticas para superar a los mercados. Recomienda libros de Marcus Lopez, Grinnell y Kahn para aquellos interesados en combinar IA con modelos cuantitativos en los mercados financieros.
Durante la presentación, el Dr. Starke enfatiza la importancia de comprender los principios del modelado de factores, que él cree que son similares a los principios del aprendizaje automático. Él sugiere que comprender estos principios puede equipar mejor a los comerciantes para aplicar el aprendizaje automático de manera efectiva en sus sistemas. El Dr. Starke también destaca la importancia de definir lo que constituye una buena estrategia comercial, ya que puede que no siempre sea la más rentable. Hace referencia a libros de Ralph Vince, Andreas Klenow y Mr. Trendful, que brindan información valiosa sobre las estrategias comerciales y la psicología detrás del comercio.
El Dr. Starke analiza cómo la IA y el aprendizaje automático pueden capturar las no linealidades en las finanzas conductuales, como el concurso de belleza keynesiano. Explica que estas dinámicas no lineales pueden capturarse de manera efectiva mediante el aprendizaje automático, a diferencia de los modelos de regresión lineal. Sin embargo, enfatiza que tener un razonamiento económico detrás de las estrategias comerciales sigue siendo importante, incluso si los datos fundamentales no se usan explícitamente.
Además, Dr. Starke explora la explotación de ciertas ineficiencias del mercado que no son necesariamente fundamentales. Menciona factores como restricciones en posiciones cortas durante la noche y fechas específicas como triple alcance o cuádruple brujería, que pueden crear efectos económicos en el mercado que pueden capitalizarse. También menciona las ineficiencias del mercado derivadas de la actividad económica cotidiana o la manipulación ilegal del mercado. El Dr. Starke expresa su interés en posibles colaboraciones futuras, pero actualmente no tiene planes concretos.
En respuesta a la pregunta de un espectador sobre por qué los sueños a menudo no se materializan, el Dr. Starke brinda su visión personal. Explica que los sueños inicialmente comienzan como conceptos y que su vida onírica no gira en torno a simplemente estar tirado en la playa, sino que implica explorar, administrar su propio negocio y ser autodirigido. Él enfatiza que es crucial alinear las verdaderas aspiraciones y metas de uno con los resultados prácticos. La presentación concluye con el presentador informando a los espectadores sobre el descuento por tiempo limitado en los cursos de Contra y mencionando la sesión final sobre la aplicación del aprendizaje automático en el comercio programada para el día siguiente.
Tendencias actuales en finanzas cuantitativas [Panel de discusión] | Día 5 de la semana de negociación de Algo
Tendencias actuales en finanzas cuantitativas [Panel de discusión] | Día 5 de la semana de negociación de Algo
Damas y caballeros, bienvenidos al panel de discusión de hoy sobre las tendencias actuales en las finanzas cuantitativas. Tenemos tres distinguidos expertos en dominios que se unen a nosotros hoy para compartir sus conocimientos y experiencia. Presentamos a nuestros panelistas:
Primero, tenemos a David Jessup, jefe de riesgo de inversión para EMEA en Columbia Thread Needle Investments. Con una amplia experiencia en investigación cuantitativa, análisis de riesgos y construcción de carteras, David se especializa en la inversión de factores de activos cruzados y el aprendizaje automático en la gestión de inversiones. Su profundo conocimiento de las estrategias cuantitativas y la gestión de riesgos proporcionará información valiosa sobre las tendencias que dan forma a la industria.
A continuación, tenemos al Dr. Devashes Guava, director de aprendizaje automático y presidente del Centro de Investigación en Negocios Tecnológicos en SP Gen School of Global Management. La experiencia del Dr. Guava radica en la aplicación de inteligencia artificial en economía y finanzas. Su investigación y conocimiento en este campo arrojarán luz sobre la intersección de la IA y las finanzas y las implicaciones para las finanzas cuantitativas.
Por último, tenemos a Richard Rothenberg, director ejecutivo de Global AI Corporation. Richard aporta una gran experiencia de su trabajo en fondos de cobertura multimillonarios y bancos de inversión globales. Con su amplia experiencia en investigación y gestión de carteras cuantitativas, proporcionará información valiosa sobre la implementación práctica de estrategias cuantitativas en la industria financiera.
Ahora, profundicemos en la discusión sobre las tendencias recientes que han dado forma a las finanzas cuantitativas. Nuestros panelistas están unánimemente de acuerdo en que la disponibilidad y la calidad de los datos han jugado un papel importante en el impulso de la industria. Además, los avances en el poder de cómputo han permitido la construcción y el análisis de modelos complejos que no eran factibles hace una década.
Los panelistas destacan la expansión de las finanzas cuantitativas más allá de las acciones hacia otras clases de activos, incluidos el crédito, las divisas y el comercio de criptomonedas. También llaman la atención sobre la tendencia emergente de la inversión responsable, que está ganando terreno en la industria financiera. Sin embargo, señalan que la calidad de los datos en esta área aún necesita mejoras. Los panelistas predicen que la inversión responsable seguirá siendo un factor importante en las finanzas durante los próximos años.
Más adelante, el panel analiza dos tendencias principales en las finanzas cuantitativas. En primer lugar, el comercio algorítmico se ha expandido a todas las clases de activos, no solo a las acciones. Los activos exóticos ahora se comercializan utilizando enfoques algorítmicos. En segundo lugar, ha habido un aumento sustancial en las fuentes de datos alternativas, como los datos de opinión de las noticias en varios idiomas y las transacciones con tarjetas de crédito. La capacidad de procesar y analizar estos datos con análisis avanzados y poder computacional ha llevado a la incorporación de factores de riesgo no financieros, como las tendencias ambientales y de gobernanza social, en las valoraciones de las empresas.
Sin embargo, el panel también aborda los desafíos de utilizar el aprendizaje automático en las finanzas. Dada la baja relación señal-ruido y la naturaleza del juego de suma cero de los mercados financieros, el aprendizaje automático no siempre es la herramienta ideal para resolver todos los problemas. Los panelistas destacan la importancia de combinar el aprendizaje automático con otras metodologías y comprender sus limitaciones. También aclaran la distinción entre aprendizaje automático y datos alternativos, ya que estos dos conceptos a menudo se confunden.
Además, los panelistas discuten los desafíos únicos del aprendizaje automático financiero en el contexto de la dinámica del mercado como un juego diferencial. Destacan la importancia de considerar las elecciones estratégicas realizadas por otros participantes del mercado al desarrollar estrategias comerciales.
Luego, la discusión cambia a la importancia de los datos de alta calidad en los modelos de aprendizaje automático para el comercio algorítmico. Los panelistas reconocen el desafío de limpiar datos no estructurados y enfatizan la importancia de comenzar con modelos lineales para comprender los parámetros y garantizar la calidad de los datos. Abordan el problema del ruido y la escasez en los datos alternativos, lo que dificulta su limpieza y filtrado. Además, los panelistas enfatizan la necesidad de comparar y utilizar segundas fuentes de datos para garantizar la precisión de los datos.
Los panelistas enfatizan además que las soluciones comerciales deben abordarse como parte de la definición de una estrategia en un juego final con jugadores opuestos que tienen intereses en conflicto. Es posible que los métodos de modelado tradicionales no siempre se apliquen en este contexto, y los panelistas enfatizan la importancia de probar diferentes estrategias para encontrar las soluciones más efectivas. También discuten los desafíos únicos que plantean los conjuntos de datos alternativos, como los datos de desarrollo sostenible, que requieren diferentes métodos de análisis y pueden requerir la agregación de datos a frecuencias más bajas para abordar la escasez. Si bien trabajar con conjuntos de datos dispersos puede ser un desafío, los panelistas creen que todavía hay oportunidades para descubrir señales valiosas.
Otro tema clave de discusión es la importancia de comprender la estructura del juego del mercado al diseñar sistemas comerciales. Los panelistas destacan que, si bien los jugadores más pequeños pueden tener más margen para asumir riesgos, los jugadores más grandes en el comercio de productos básicos y criptografía deben abordar el comercio con precaución debido a la extrema volatilidad de estos mercados. También enfatizan la importancia de la diversificación para mitigar las reducciones, que son significativamente altas en los criptoactivos.
El panel da un paso más y desafía los supuestos arraigados en la teoría financiera tradicional. Argumentan que los activos no siguen necesariamente procesos de difusión fijos con supuestos de media y varianza establecidos. En cambio, enfatizan la naturaleza estocástica de la volatilidad y la fluctuación de los valores medios a lo largo del tiempo. Proponen considerar los procesos ocultos de Markov para cambiar tácticamente la media y la desviación estándar, lo que lleva a mejores enfoques en la inversión de factores y la inversión en criptomonedas. Esta perspectiva ofrece atractivos perfiles de riesgo-rendimiento con el potencial de una simple diversificación.
Luego, la discusión explora varias aplicaciones del aprendizaje automático en la industria financiera. Los panelistas mencionan el uso del aprendizaje automático para la clasificación por sexos, la previsión de emisiones de carbono y la fijación de volúmenes en los mercados de renta fija. También destacan el enfoque evolutivo en los factores ESG y la expansión de los objetivos de desarrollo sostenible, que consideran el impacto en la sociedad en su conjunto y el riesgo sistémico. Consideran esta taxonomía ampliada de riesgos como un factor importante en la toma de decisiones financieras, con potencial para integrarse en un modelo de factores ESG.
Otra tendencia discutida es la utilización de comités y grupos de trabajo para agrupar datos en función de múltiples factores. Los panelistas enfatizan la creciente importancia del procesamiento del lenguaje natural para comprender el sentimiento de las partes interesadas locales para cuantificar los riesgos no financieros. Estos riesgos, cada vez más importantes para los aspectos intangibles del balance de una empresa, son vitales para considerar en el análisis de los mercados financieros.
Además, los panelistas enfatizan la importancia de tener fuertes habilidades de programación y conocimientos estadísticos en el campo de las finanzas cuantitativas. También advierten contra las trampas de analizar repetidamente el mismo conjunto de datos, enfatizando la necesidad de adaptarse y prepararse para el futuro del comercio cuantitativo.
De cara al futuro, los panelistas analizan la importancia de mantenerse al día con las clases de activos emergentes, como el carbono y las criptomonedas. Mencionan el impacto potencial de cambio de juego de la computación cuántica, que podría revolucionar los algoritmos de cifrado detrás de las criptomonedas, aunque aún no se han realizado aplicaciones prácticas. También abordan el desarrollo de grandes redes neuronales y tecnologías como GPT3, que se promocionan como caminos hacia la inteligencia artificial general. El crecimiento exponencial de la capacidad de hardware y software no muestra signos de desaceleración, y los panelistas anticipan una futura convergencia de la computación de alto rendimiento, la computación cuántica y la IA en el campo de las finanzas cuánticas.
En conclusión, los panelistas predicen un futuro caracterizado por la expansión de la capacidad de hardware y software, lo que conducirá al desarrollo de robots comerciales de propósito general. Estos robots tendrán la capacidad de extraer e interpretar datos de diversas fuentes, incluidas las redes sociales, utilizando la comprensión de imágenes, la comprensión del lenguaje y la comprensión semántica, entre otros. Destacan la importancia de adoptar nuevas tecnologías y metodologías para mantenerse a la vanguardia y adaptarse al panorama en evolución de las finanzas cuantitativas.
El panel de discusión concluye con los panelistas expresando su gratitud a la audiencia y animando a compartir cualquier pregunta sin respuesta. También anuncian que la sesión de mañana se centrará específicamente en el aprendizaje automático y el comercio, invitando a los asistentes a unirse y continuar explorando este fascinante campo.
Gracias a todos por ser parte del panel de discusión de hoy sobre las tendencias actuales en las finanzas cuantitativas.
Uso de sentimiento y datos alternativos en el comercio [Panel de discusión] | Día 4 de la semana de negociación de Algo
Uso de sentimiento y datos alternativos en el comercio [Panel de discusión] | Día 4 de la semana de negociación de Algo
Damas y caballeros, gracias por unirse a nosotros hoy en este emocionante panel de discusión sobre el uso del sentimiento y los datos alternativos en el comercio. Antes de comenzar, tengo un anuncio importante que hacer.
Estoy encantado de anunciar el lanzamiento de un nuevo programa de certificación, la Certificación en Análisis de Sentimiento y Datos Alternativos en Finanzas (CSAF). Este programa ha sido diseñado específicamente para profesionales financieros que buscan avanzar en sus carreras en la toma de decisiones comerciales y de inversión utilizando métodos modernos como análisis de sentimiento de noticias y datos alternativos.
El programa CSAF cubrirá varios aspectos de análisis de noticias, análisis de sentimientos y datos alternativos requeridos en finanzas. Será impartido por expertos líderes en los campos del comercio algorítmico, el análisis de sentimientos, el modelado cuantitativo y el comercio de alta frecuencia. Estos expertos aportan una gran cantidad de conocimientos y experiencia al programa, asegurando que los participantes reciban educación y capacitación de primer nivel.
El programa profundizará en temas como la comprensión del análisis de sentimientos, el aprovechamiento de fuentes de datos alternativas, la incorporación de datos de sentimientos en modelos de predicción y la utilización de técnicas de inteligencia artificial y aprendizaje automático para el análisis de mercado. Los participantes obtendrán información valiosa sobre el papel del sentimiento y los datos alternativos en el comercio y aprenderán a desbloquear el potencial de estos recursos para mejorar los resultados financieros.
Además del programa de certificación, me complace anunciar que se publicará un manual completo sobre datos alternativos en la primavera de 2022. Este manual servirá como un recurso valioso para los profesionales en el campo, brindando información detallada sobre los diversos tipos de datos alternativos y sus aplicaciones en finanzas.
Ahora, fijemos nuestra atención en el panel de discusión de hoy. Nuestros estimados panelistas, incluidos el Dr. Cristiano Arbex Valle, el profesor Gautam Mitra, el Dr. Matteo Campolmi y el Dr. Ravi Kashyap, compartirán sus conocimientos sobre el uso del sentimiento y los datos alternativos en el comercio. Discutirán qué son los datos alternativos, por qué son importantes y cómo se pueden utilizar de manera efectiva para tomar decisiones comerciales informadas.
Como todos sabemos, los eventos noticiosos a menudo tienen un impacto significativo en los precios de los activos, y los datos de sentimiento pueden desempeñar un papel crucial en la predicción de resultados futuros. Los panelistas arrojarán luz sobre cómo los datos de sentimiento pueden procesarse rápidamente y convertirse en datos numéricos para su uso en modelos matemáticos, brindando información valiosa que normalmente no capturan los datos de mercado tradicionales.
Además, nuestros panelistas explorarán los desafíos y oportunidades asociados con los datos alternativos. Discutirán la aparición de fuentes de datos alternativas, la necesidad de técnicas rigurosas de procesamiento de datos y la importancia de evitar el sobreajuste al identificar señales dentro de grandes cantidades de información.
Durante el panel de discusión, lo alentamos a participar activamente haciendo preguntas e interactuando con nuestros panelistas. Su opinión y sus conocimientos son muy valiosos, y esperamos crear una sesión enriquecedora e interactiva.
Antes de comenzar, me gustaría expresar mi gratitud a todos ustedes por acompañarnos hoy. Su presencia y entusiasmo contribuyen al éxito de eventos como estos. También me gustaría recordarles que nos sigan en las redes sociales y desearles a los organizadores un feliz 11º aniversario.
Ahora, sin más preámbulos, comencemos nuestro panel de discusión sobre el sentimiento y los datos alternativos en el comercio. Gracias.
A medida que comienza el panel de discusión, nuestros panelistas se sumergen en el tema del sentimiento y los datos alternativos en el comercio, compartiendo sus valiosos conocimientos y experiencias. Destacan el impacto de incorporar análisis de noticias y sentimiento como características de entrada adicionales en los modelos de predicción, enfatizando los mejores resultados obtenidos, particularmente en la predicción de la volatilidad de los activos.
Un punto clave de discusión gira en torno a la aparición de datos alternativos y su importancia para informar las decisiones comerciales. Los panelistas enfatizan que los datos alternativos introducen nueva información, como los hábitos de los consumidores, que pueden proporcionar información valiosa para las estrategias de inversión. Enfatizan la importancia de acoplar datos con modelos, utilizando técnicas de inteligencia artificial y aprendizaje automático para predecir las direcciones del mercado y mejorar los resultados financieros.
El panel se toma un momento para agradecer la moderación del profesor Gautam Mitra, fundador y director general de OptiRisk Systems. Con su experiencia, asegura una exploración integral del tema. Profundizan en las aplicaciones prácticas del sentimiento y los datos alternativos en el comercio, abordando preguntas sobre su definición, importancia y utilización.
Al reconocer que los datos alternativos son un campo en constante evolución, los panelistas destacan la naturaleza dinámica de este dominio. Discuten cómo lo que hoy se considera datos alternativos puede convertirse en la corriente principal en el futuro, mostrando el progreso continuo y la innovación dentro de la industria. Su enfoque sigue siendo aprovechar los datos alternativos para obtener una ventaja en las finanzas, con el objetivo final de maximizar los rendimientos.
En medio de la discusión, el panel reconoce el posible sesgo presente en los datos de sentimiento derivados de fuentes de noticias. Ofrecen soluciones potenciales para mitigar este sesgo, como utilizar múltiples fuentes y emplear varias técnicas para analizar los datos. Al hacerlo, enfatizan la importancia de un análisis de datos completo y sólido para garantizar información precisa y confiable.
En el futuro, los panelistas enfatizan la importancia de comprender el contexto y los escenarios en los que se recopilan los datos. Discuten la necesidad de información contextual para proporcionar una vista matizada y construir algoritmos efectivos. Los panelistas también mencionan la idea de que los sesgos pueden no ser siempre negativos y, en ocasiones, pueden beneficiar las estrategias comerciales. Su mensaje general enfatiza la importancia de comprender y trabajar con los datos disponibles, incluso si la fuente de datos en sí no se puede controlar.
El panel explora aún más los parámetros a considerar al analizar los datos de sentimiento con fines comerciales. Arrojan luz sobre la clasificación del sentimiento en categorías positivas, neutrales o negativas por parte de los proveedores de noticias o sentimientos. Además, discuten la relevancia de considerar el volumen de noticias o tweets como un factor en el análisis de sentimiento. También se destaca la normalización del sentimiento basada en el volumen promedio de noticias durante un período de tiempo específico.
La conversación se profundiza a medida que los panelistas discuten la naturaleza específica del idioma del análisis de sentimientos. Hacen hincapié en el uso de IA y otras técnicas para analizar y analizar el texto, lo que permite una comprensión más profunda del sentimiento. La relevancia y la novedad de los eventos de noticias se identifican como factores cruciales, ya que las empresas reciben datos de noticias a través de suscripciones con proveedores de contenido, lo que permite un procesamiento rápido.
Al finalizar la discusión del panel, los panelistas tocan los marcos de tiempo utilizados para los indicadores de sentimiento. Aclaran que los indicadores de sentimiento no tienen como objetivo batir la velocidad de llegada de las noticias al mercado. En cambio, sirven como indicadores descriptivos de cómo el flujo de noticias afecta las acciones a lo largo del tiempo. También se destaca la importancia de convertir texto en datos numéricos, reconociendo la capa adicional de procesamiento requerida para la información basada en texto.
Los panelistas también analizan la relevancia de los datos de sentimiento y las fuentes de datos alternativas en el comercio. Abordan la pregunta de cuántos días de datos de sentimiento son relevantes, enfatizando que la respuesta depende del propósito del modelo y el tipo de negociación que se realiza. La discusión se extiende aún más a las métricas de rendimiento para fuentes de datos alternativas, donde la rentabilidad se identifica como una métrica clave. Los panelistas explican la demanda de datos históricos y su impacto potencial en los precios, advirtiendo que a medida que las fuentes de datos alternativas se vuelven más populares, su valor puede cambiar con el tiempo.
Para concluir el panel de discusión, los panelistas comparten sus puntos de vista sobre los desafíos y la importancia del backtesting. Reconocen la escasez de información histórica para ciertas fuentes de datos alternativas, lo que dificulta el análisis y las pruebas retrospectivas. Sin embargo, destacan la disponibilidad de modelos estadísticos y técnicas que pueden ayudar a extrapolar datos con fines de backtesting. Destacan la importancia de comparar el rendimiento de una fuente de datos determinada con no tenerla, lo que permite a los operadores adaptar sus estrategias en consecuencia. El panel concluye subrayando que el valor de los datos alternativos depende en última instancia de su utilización dentro de un modelo específico.
Ahora pasamos a la sesión de preguntas y respuestas de la audiencia, donde los panelistas abordan dos preguntas intrigantes. La primera pregunta gira en torno al uso de datos históricos para obtener una mejor comprensión de los diferentes períodos históricos. El panel sugiere utilizar al menos siete veces el intervalo de tiempo para obtener una comprensión integral de varios resultados. La segunda pregunta se refiere a encontrar fuentes confiables de datos alternativos. El panel recomienda tener un explorador de datos para explorar varias fuentes e identificar los mejores datos disponibles para los equipos cuantitativos. Destacan el desafío de encontrar datos confiables y enfatizan que las ideas innovadoras a menudo surgen de pequeñas empresas nuevas.
Ampliando la discusión, los panelistas profundizan en el potencial de las pequeñas empresas que identifican conjuntos de datos únicos desde el principio para ser adquiridos por empresas más grandes. Enfatizan la importancia de los intermediarios en la agregación de datos y el valor de los conjuntos de datos derivados utilizando modelos patentados. La conversación también aborda el impacto de los conjuntos de datos específicos de cada país, la identificación de riesgos regionales y la interconexión del mercado global. Comprender estos factores se vuelve esencial para tomar decisiones comerciales informadas.
A medida que el panel llega a su fin, los oradores cambian su enfoque a las habilidades necesarias y los requisitos previos para una carrera en finanzas. Destacan el valor de los lenguajes de programación y una sólida comprensión de los conceptos matemáticos, ya que estas habilidades son cada vez más cruciales en el campo. También se destaca la creación de redes y conexiones con profesionales, así como la importancia de permanecer abierto a diversas oportunidades y ampliar continuamente el conocimiento.
Para finalizar, el orador reitera la importancia de mantenerse informado sobre las tendencias del mercado y mantener la objetividad en la toma de decisiones financieras. Ella enfatiza el papel fundamental de la gestión de las finanzas y anima a los asistentes a participar activamente en la industria financiera.
Con sincera gratitud, el disertante agradece a los panelistas y al público por sus valiosos aportes y concluye la sesión.
Ventas en corto en el mercado alcista: una clase magistral de Laurent Bernut | Día 3 de la semana de negociación de Algo
Ventas en corto en el mercado alcista: una clase magistral de Laurent Bernut | Día 3 de la semana de negociación de Algo
Se presenta a Laurent Bernut como fundador y director ejecutivo de Alpha Secure Capital, así como vendedor en corto dedicado en Fidelity Investments. El video destaca que estará impartiendo una clase magistral sobre el tema de venta en corto, que tendrá una duración de dos horas. Se menciona que no habrá sesión de preguntas y respuestas al final de la clase magistral, pero se anima a los espectadores a hacer preguntas relevantes durante la sesión. Adicionalmente, el ponente informa a la audiencia sobre un curso de venta en corto con Python, así como un libro complementario que explica el cómo y por qué de la venta en corto. El libro se publicará el 11 de octubre de 2021 y estará disponible en Amazon.com.
La clase magistral comienza con Laurent Bernut explicando los puntos clave que los participantes pueden esperar obtener de la sesión. Afirma que la mejor selección está en bancarrota y enfatiza que la venta en corto es el conjunto de habilidades más valioso para recaudar un fondo exitoso. Bernut también desacredita diez mitos clásicos sobre las ventas en corto, arrojando luz sobre la naturaleza poco investigada de esta disciplina. Explica detalladamente la dinámica de las ventas en corto y aborda por qué incluso los participantes exitosos del mercado luchan con el lado corto. Al compartir ideas personales, Bernut enfatiza el papel crucial de la administración del dinero en el curso.
En el futuro, Bernut ofrece una descripción general de cómo funciona la venta en corto y destaca la importancia de localizar el préstamo. Habla de la naturaleza de quiebra de la selección de acciones y aboga por que los comerciantes cambien su enfoque a otras prácticas como la venta en corto. Bernut señala que la industria a menudo está obsesionada con los selectores de acciones, pero la evidencia empírica muestra que la mayoría de los administradores activos tienen un desempeño inferior al de sus puntos de referencia de manera constante. Esto ha llevado a muchos a abandonar la selección de acciones en favor de la inversión pasiva y la indexación del armario. Sin embargo, Bernut destaca la relevancia de las ventas en corto durante los mercados bajistas y el valor que aporta en términos de protección a la baja.
Bernut aborda los conceptos erróneos sobre los vendedores en corto, disipando la idea de que destruyen las pensiones y las empresas. Explica que los inversores buscan vehículos largos-cortos de baja volatilidad, rendimientos de baja correlación y protección contra caídas, algo que los administradores activos luchan por ofrecer de manera constante. Por lo tanto, las selecciones largas de los administradores de fondos mutuos no son tan relevantes para los inversores que pueden lograr resultados similares de forma pasiva a través de fondos cotizados en bolsa. Bernut enfatiza que las acciones en corto brindan protección contra el riesgo a la baja, lo que hace que la habilidad de vender en corto sea muy buscada, particularmente en un mercado bajista.
El ponente ahonda en el papel de los vendedores en corto dentro del capitalismo y la responsabilidad de la gestión empresarial. Argumenta que los vendedores en corto, que no participan en la gestión de las empresas, a menudo son culpados por sus fracasos cuando, en realidad, es la mala gestión la que provoca la ruina. Bernut destaca la distinción entre valor de mercado y valor intrínseco, explicando que el valor de mercado está determinado por juicios subjetivos, similar a un concurso de belleza. Aclara además que los vendedores en corto no son especuladores intrínsecamente malvados, sino que a menudo revelan paradojas en el mercado. Reconoce que los reguladores desaprueban a los vendedores en corto que se involucran en la manipulación del mercado, pero su tarea principal es exponer las ineficiencias del mercado.
El video continúa con Laurent Bernut discutiendo el continuo espacio-tiempo corporativo, lo que plantea una paradoja para los vendedores en corto. Llama la atención sobre situaciones en las que las empresas recompensan a los empleados por participar en fraudes, mientras que la alta dirección niega tener conocimiento de tales prácticas. Bernut aconseja a los vendedores en corto que adopten un enfoque no conflictivo hacia la gestión de la empresa, incluso cuando tengan razón, ya que existen formas alternativas de vender acciones en corto. Hace hincapié en el aspecto de la gestión de riesgos de las ventas en corto y advierte que debe hacerse con cautela.
En su clase magistral de Algo Trading Week, Bernut enfatiza la importancia de aprender a vender al descubierto y los riesgos asociados con no tener esta habilidad, especialmente en previsión de un mercado bajista. También se refiere a cómo las ventas en corto pueden contribuir a aumentar la volatilidad del mercado y el potencial de colapso del precio de las acciones.
El video continúa con Laurent Bernut agradeciendo a los espectadores su participación y compromiso durante la clase magistral sobre ventas en corto. Expresa su agradecimiento por las preguntas y comentarios recibidos durante la sesión, destacando la importancia de la participación activa y la curiosidad en el proceso de aprendizaje.
Laurent Bernut luego presenta un próximo curso sobre ventas en corto con Python, destinado a proporcionar habilidades prácticas para implementar estrategias de ventas en corto usando programación. El curso cubrirá varios temas, incluido el análisis de datos, el comercio algorítmico, la gestión de riesgos y el backtesting. Enfatiza el valor de combinar el análisis cuantitativo con técnicas de venta en corto y cómo Python puede ser una herramienta poderosa para este propósito.
Además del curso, Laurent Bernut anuncia el lanzamiento de un libro complementario titulado "Venta corta revelada: una guía completa para obtener ganancias en mercados bajistas". El libro profundizará tanto en el cómo como en el por qué de las ventas en corto, brindando información, estrategias y ejemplos del mundo real. Su objetivo es desmitificar la disciplina y equipar a los lectores con el conocimiento y las habilidades necesarias para navegar con éxito las complejidades de las ventas en corto. El libro se publicará el 11 de octubre de 2021 y estará disponible en Amazon.com.
Como concluye el video, Laurent Bernut reitera la importancia del aprendizaje y la mejora continua en el campo de las ventas en corto. Alienta a los espectadores a explorar el curso y el libro para profundizar su comprensión y mejorar sus habilidades. Expresa su compromiso de ayudar a las personas a dominar las ventas en corto y enfatiza el valor de mantenerse informado y adaptarse a los mercados financieros en constante cambio.
Con una nota final de agradecimiento y aliento, Laurent Bernut se despide de los espectadores, dejándolos con la invitación a conectarse, hacer preguntas y continuar su viaje en el mundo de las ventas en corto. El video termina y los espectadores quedan inspirados y motivados para explorar más a fondo las oportunidades y los desafíos que presenta la venta en corto.
Cómo elegir las mejores acciones y operar en vivo por el Dr. Hui Liu | Día 2 de la semana de negociación de Algo
Cómo elegir las mejores acciones y operar en vivo por el Dr. Hui Liu | Día 2 de la semana de negociación de Algo
Durante la introducción del Día 2 de la Semana de negociación de Algo, el orador reconoce las sesiones anteriores con expertos en negociación cuantitativa y algorítmica. Mencionan brevemente las valiosas ideas compartidas por estos expertos, preparando el escenario para la presentación del día. El enfoque del Día 2 es seleccionar las mejores acciones y participar en operaciones en vivo, con el Dr. Hui Liu como presentador.
El orador también destaca la competencia Algo Trading en curso, que abarca tres pruebas distintas que cubren los fundamentos del trading cuantitativo y algorítmico. Los ganadores de la competencia se anunciarán en septiembre, lo que agregará un elemento de anticipación y emoción al evento. Además, el orador revela que la sesión del día siguiente será una clase magistral de dos horas sobre ventas en corto, dirigida por Aloha Bendu. El horario de esta clase se ajustará para acomodar a los participantes de diferentes zonas horarias.
El Dr. Hui Liu comienza su presentación discutiendo el proceso de generar una idea comercial, validarla y construir un modelo de aprendizaje automático para probar su desempeño histórico. Sugiere que los comerciantes pueden obtener ideas leyendo informes financieros o monitoreando las plataformas de redes sociales para medir el desempeño de una empresa. El Dr. Liu también presenta el SPY ETF, que rastrea el índice S&P 500 y sirve como una valiosa fuente de datos históricos. Él enfatiza la importancia de emplear modelos estadísticos y realizar pruebas retrospectivas para validar las ideas comerciales antes de proceder a crear un robot comercial utilizando iBridgePi.
Luego, el Dr. Liu explica los conceptos básicos del comercio de tendencias y la importancia de comprar barato y vender caro. Elabora la recopilación de datos históricos y la utilización de Python en Jupyter Notebook para desarrollar un modelo de aprendizaje automático. El Dr. Liu demuestra cómo se puede emplear el modelo para crear un filtro de acciones, lo que ayuda a identificar las acciones más prometedoras para fines comerciales. Subraya la importancia de verificar las ideas comerciales a través de backtesting y operaciones en vivo.
En su siguiente segmento, el Dr. Liu ofrece una demostración práctica de la utilización de Python para recuperar datos históricos de la API de finanzas de Yahoo y manipularlos para crear un modelo de aprendizaje automático. Específicamente, recupera datos de barra diarios para SPY y emplea la función "solicitar datos históricos". El Dr. Liu agrega columnas adicionales a los datos que calculan el cambio porcentual en el precio de cierre desde el día anterior hasta el día actual, así como desde el día actual hasta el día siguiente. Explica que un cambio de precio de cierre negativo de ayer a hoy, combinado con un cambio positivo de hoy a mañana, significa una oportunidad para comprar acciones cuando el precio baja, ya que su predicción sugiere un aumento de precio inminente.
Luego, el Dr. Liu detalla el proceso de construcción de un modelo de aprendizaje automático para predecir los precios de las acciones. Adquiere datos sobre el precio de cierre, el cambio de precio de ayer y el cambio de precio de hoy a mañana. Al utilizar un modelo de regresión lineal, ajusta los datos y analiza los resultados. El Dr. Liu muestra un gráfico en el que la línea negra representa las predicciones del modelo de aprendizaje automático, mientras que los puntos de datos dispersos representan los precios diarios de las acciones de Yahoo Finance para el S&P 500. Explica que un coeficiente negativo significa una correlación negativa, lo que indica que cuando el el precio baja, es probable que suba, y viceversa. El Dr. Liu contempla la viabilidad de usar este modelo para el comercio automatizado para generar ganancias potencialmente.
El Dr. Liu procede a analizar el proceso de selección de las mejores acciones y la participación en operaciones en vivo. Recomienda a los operadores que examinen el precio al final del día de negociación para determinar su movimiento hacia arriba o hacia abajo antes de colocar órdenes cerca del cierre del mercado. Demuestra la construcción de un filtro de acciones para obtener información sobre cómo funciona el modelo con varias acciones e identifica las acciones favorables a seguir. El Dr. Liu reconoce que su modelo es relativamente simplista y se basa en el precio de ayer para predecir el de mañana y, por lo tanto, considera la incorporación de indicadores avanzados como el promedio móvil de convergencia y divergencia (MACD) para mejorar la precisión de la predicción y filtrar las transacciones.
El Dr. Liu explora la utilización de MACD para predecir y filtrar acciones, junto con una comparación con el modelo de compra baja venta alta. Presenta los resultados obtenidos al emplear MACD 10 y 30 en el SPY, revelando una tendencia relativamente débil. En consecuencia, el Dr. Liu concluye que el uso de MACD para predicciones futuras puede no generar resultados tan favorables como antes. Procede a discutir la construcción de un modelo estadístico de aprendizaje automático y considera el modelo de compra baja venta alta como un medio potencial para generar ganancias. El Dr. Liu destaca a Average Pi, una plataforma de Python que facilita las pruebas retrospectivas y el comercio en vivo, destacando su característica de 100 % de privacidad, compatibilidad con múltiples cuentas y flexibilidad en términos de proveedores de datos. Ilustra la simplicidad y la eficiencia de construir un modelo de compra baja venta alta en Average Pi utilizando solo unas pocas líneas de código.
El Dr. Liu explica el proceso de establecer una configuración para operar utilizando Algo Trading Week Day 2. Hace hincapié en la ejecución de la función de inicialización al comienzo para definir variables y establecer la configuración. Como ejemplo, programa la función "comprar barato, vender caro" para que se ejecute todos los días de negociación, un minuto antes del cierre del mercado, indicándole que invierta el 100% de la cartera en el SPY si el precio de ayer fue más bajo que el de hoy. El Dr. Liu profundiza en el tema de las pruebas retrospectivas, ilustrando cómo se pueden utilizar los datos históricos de corredores o proveedores externos en varios marcos de tiempo, incluidos minuto a minuto, cada hora o diariamente.
A continuación, el Dr. Liu demuestra el proceso de realizar pruebas retrospectivas de una estrategia elegida utilizando diferentes proveedores y paquetes de datos. Aconseja seleccionar una hora de inicio y una hora de finalización para el período de backtesting, además de confirmar el proveedor de datos elegido para la ejecución. En la transición al modo de demostración, el Dr. Liu muestra el proceso, indicando que los proveedores de datos como Interactive Brokers (IB) o los datos históricos locales pueden usarse para estrategias de backtesting. Brinda orientación sobre la configuración de backtesting, utilizando datos históricos disponibles almacenados en archivos locales.
El Dr. Liu procede a demostrar el uso de backtesting para probar la efectividad de una estrategia comercial utilizando datos históricos. Reconoce el desafío de obtener datos de barra diarios significativos para extensos marcos de tiempo de backtesting. Para superar este obstáculo, introduce el concepto de datos de barra de minutos simulados, donde el precio de cierre de la barra diaria se puede utilizar para simular los datos. Esto simplifica el proceso para los comerciantes que luchan por acceder a los datos precisos necesarios para realizar pruebas retrospectivas.
El Dr. Liu presenta los resultados del backtesting de un modelo de "compra barato vende caro" en comparación con una estrategia de comprar y mantener para el S&P 500 de 2000 a 2020. El modelo supera la estrategia de comprar y mantener, lo que da como resultado una cartera valor de $ 800,000 en comparación con $ 200,000. Reconoce que, a pesar de la pequeña correlación observada a través de la regresión lineal simple, el modelo aún ofrece resultados positivos. Luego, el Dr. Liu pasa al tema del comercio en vivo, indicando que puede ser tan sencillo como modificar dos líneas de código para seleccionar la estrategia deseada e ingresar el código de cuenta para Interactive Brokers antes de ejecutar el programa. Concluye la presentación invitando a los asistentes a contactarlo por correo electrónico para obtener ayuda con la codificación o para programar una reunión en persona en San José, California.
Durante la sesión de preguntas y respuestas, se plantea una pregunta sobre la certeza de que una estrategia comprobada proporcione resultados idénticos en operaciones en vivo. El Dr. Liu explica que, si bien los datos históricos representan el pasado y el modelo puede exhibir estabilidad estadística, el precio en sí es volátil, particularmente cerca del cierre del mercado. Por lo tanto, las variaciones en la predicción del futuro son inevitables. Sin embargo, durante un período prolongado, el modelo general debería ser cierto. Señala que utiliza el modelo de regresión lineal debido a su simplicidad y facilidad de comprensión, pero reconoce que los modelos de aprendizaje automático más sofisticados podrían generar mejores resultados. El Dr. Liu también aborda la cuestión de los costos de transacción y el deslizamiento, afirmando que deben tenerse en cuenta al implementar estrategias comerciales en vivo y pueden tener un impacto en el rendimiento general de la estrategia.
Se plantea otra pregunta con respecto al uso de otros indicadores técnicos junto con el modelo de compra baja venta alta. El Dr. Liu responde destacando la flexibilidad de la plataforma Average Pi, que permite a los operadores incorporar indicadores adicionales en sus estrategias. Menciona que el indicador de convergencia/divergencia de la media móvil (MACD) podría ser una valiosa adición para filtrar las operaciones y mejorar la precisión de la predicción.
Un participante pregunta sobre la importancia del intervalo de tiempo entre la señal comercial y el cierre del mercado. El Dr. Liu explica que el intervalo de tiempo elegido depende de las preferencias individuales y las estrategias comerciales. Pueden pasar unos minutos o incluso horas antes del cierre del mercado, según el tiempo de ejecución deseado. Aconseja a los comerciantes que experimenten con diferentes intervalos de tiempo para encontrar lo que funciona mejor para sus estrategias específicas.
En respuesta a una pregunta sobre el impacto de la volatilidad del mercado en el modelo de compra baja venta alta, el Dr. Liu reconoce que una mayor volatilidad puede generar potencialmente más oportunidades comerciales. Sin embargo, advierte que una mayor volatilidad también conlleva un mayor riesgo, y los operadores deben considerar cuidadosamente su tolerancia al riesgo y ajustar sus estrategias en consecuencia.
Un participante pregunta acerca de las limitaciones potenciales del modelo de comprar barato vender caro. El Dr. Liu reconoce que la simplicidad del modelo es tanto una fortaleza como una limitación. Si bien puede generar resultados positivos, es posible que no capture dinámicas de mercado más complejas y podría perder ciertas oportunidades comerciales. Él sugiere que los comerciantes que quieran explorar estrategias y modelos más avanzados deberían considerar profundizar en las finanzas cuantitativas y explorar otros algoritmos de aprendizaje automático.
La sesión de preguntas y respuestas concluye con el Dr. Liu expresando su voluntad de ayudar a los asistentes con cualquier otra pregunta o asistencia con la codificación, alentándolos a comunicarse con él por correo electrónico.
How to become a successful quant | Dr Ernest Chan | Algo Trading Week Day 1
How to become a successful quant | Dr Ernest Chan | Algo Trading Week Day 1
The Q&A session with Dr. Ernest Chan begins with the speaker introducing an algorithmic trading competition designed to provide beginners with an opportunity to learn the basics of algorithmic trading while allowing experts to refresh their knowledge. The competition offers prizes such as scholarships and certificates of achievement for the top three winners. Dr. Chan, the founder and CEO of PredictNow.ai and QTS Capital Management, as well as the author of three books on quantitative trading, shares his expertise with the audience.
Dr. Chan starts by highlighting the dominance of quantitative trading over the past decade, with estimates suggesting that up to 90% of trading volume on U.S. exchanges is attributed to algorithmic trading. While he doesn't claim that quantitative trading is superior to discretionary trading, he emphasizes the importance of not overlooking the opportunity to automate or systematize trading strategies. In terms of individual traders competing against institutions, Dr. Chan suggests that niche strategies with limited capacity offer the best opportunity. These strategies are often unattractive to large institutions and involve infrequent trading, making them viable options for independent traders.
The discussion continues with Dr. Chan addressing the importance of finding a niche in algorithmic trading where big institutions are not competing. He advises against direct competition with large players and recommends seeking out areas where there is little to no competition. Dr. Chan responds to questions about the significance of having a Ph.D. in quantitative and algorithmic trading. He emphasizes that having "skin in the game," meaning putting one's own money on the line, is crucial to becoming a successful quant. He suggests that traders focus on developing an intuitive understanding of the market through backtesting trading strategies themselves and reading blogs and books on trading, rather than solely relying on theoretical knowledge.
Dr. Chan advises that a successful quantitative trader should prioritize practical experience and market understanding over a Ph.D. He notes that it takes time to become a successful quant and suggests distinguishing oneself when seeking to join a top quant fund by writing original research in the form of a white paper, focusing on a trading strategy or specific market phenomenon. He cautions that a short track record, such as a single successful trade, is not sufficient to prove consistency and knowledge. In response to a question about incorporating order flow data into trading strategies, Dr. Chan acknowledges its value as an indicator but emphasizes that it should be used in conjunction with other indicators, as no single indicator is comprehensive on its own.
The limitations of using individual indicators to build a trading strategy are discussed by Dr. Chan. He points out that many people use these indicators, reducing their effectiveness. He suggests incorporating them as one of many features in a machine learning program. When asked about ageism in the quant industry, Dr. Chan highlights that if someone operates as a sole proprietor, ageism is not a problem. He also shares his view on the use of machine learning in generating alpha, cautioning about the risk of overfitting and recommending it as a tool for risk management instead. Regarding low-latency trading, Dr. Chan argues that quantitative trading is a necessity in this domain. Finally, he advises that beyond a successful track record, management skills are essential for anyone looking to start a quant-based hedge fund.
Dr. Chan emphasizes that successful fund management involves not only trading skills but also management and business development skills. Having leadership qualities and a background in business management is crucial. When asked about understanding the Indian market quantitatively, he admits to lacking knowledge primarily due to regulations. On the question of how much time one should spend on paper trading before going live with a strategy, Dr. Chan explains that it depends on the efficiency of trading. For high-frequency trading strategies that execute trades every second, two weeks of paper trading may be sufficient to go live. Conversely, for holding strategies, paper trading for three months may be necessary to earn statistical significance based on the number of trades conducted.
Dr. Chan further discusses whether the time series approach should still be the core of one's alpha portfolio, despite recent studies showing that profitable alphas are mostly non-price based. He suggests attending industry conferences, networking with professionals through platforms like LinkedIn, and building a strong track record in trading to attract the attention of experienced quants. He encourages individuals to seek out mentors and take proactive steps in reaching out to potential collaborators.
Moving on, Dr. Chan shares insights on how to hire and train a successful quantitative trading team. He advises that individuals hired should possess demonstrated expertise in the specific function the team is focused on, whether it be risk management, derivatives pricing, or data science. If the team's goal is to develop profitable trading strategies, it is best to hire someone who already has a track record in that area. Additionally, Dr. Chan highlights that there is no universally ideal market for trading, and teams should focus on what they know best. He also explains how high-frequency traders have an advantage in predicting short-term market direction compared to medium and low-frequency traders.
The discussion continues with Dr. Chan delving into the challenge of accurately predicting market movements beyond short timeframes and the complexities involved in utilizing high-frequency trading predictions. He shares his personal approach to trading, which involves hiring skilled traders instead of trading himself. Dr. Chan emphasizes the importance of hiring traders with strong track records, regardless of whether they employ discretionary or quantitative strategies. When asked about his cumulative annual growth rate, he clarifies that he cannot disclose this information due to SEC regulations. Lastly, he notes that quant traders typically do not use the same strategy across all asset classes, making it challenging to compare programming languages like Python and MATLAB for algorithmic trading purposes.
Dr. Chan discusses the use of MATLAB and Python in trading, acknowledging that while he personally prefers MATLAB, different traders have their own preferences, and the choice of language is not the most critical factor. He believes that optimizing transaction costs is difficult even for experts in the field, so it should not be a primary priority for traders. Regarding revising or retraining machine learning strategies, he suggests doing so only when the market regime undergoes significant changes. He also recommends expanding opportunities by learning new languages such as Python or MATLAB to enhance trading skills.
Dr. Chan concludes the session by offering career advice for individuals interested in becoming quant traders. He suggests exploring different areas, such as options trading, to gain a better understanding of personal strengths and weaknesses. He mentions that his current focus revolves around making his machine learning-based risk management system more widely available and clarifies that he does not have plans to release a second edition of his machine trading book in the near future. When hiring traders, he looks for a long and consistent track record and recommends using time series techniques and econometric models for trading at short timeframes. Exit strategies should align with the specific trading strategy, with stop or profit target exits implemented accordingly.
As the video concludes, the host expresses gratitude to Dr. Ernest Chan for his valuable insights and time spent answering a variety of questions related to becoming a successful quant. Viewers are encouraged to email any unanswered questions to ensure they are addressed. The host announces additional sessions in the coming week with other esteemed guests in the field of algorithmic trading, expressing appreciation for the audience's support and encouraging them to continue tuning in.
Antes de entrar en el comercio cuantitativo y algorítmico... [Discusión del panel] | Algo Trading Semana Día 0
Antes de entrar en el comercio cuantitativo y algorítmico... [Discusión del panel] | Algo Trading Semana Día 0
La Algo Trading Week comienza con un interesante panel de discusión dirigido por el anfitrión y con la participación de expertos de la industria. El anfitrión comienza invitando al jefe de iniciativas de marketing y divulgación para que brinde algunos antecedentes sobre el evento y su propósito. El jefe de marketing explica que el objetivo principal de Algo Trading Week es hacer que el comercio algorítmico sea más accesible y llevarlo a la corriente principal. El evento tiene como objetivo lograr esto a través de diversas iniciativas educativas, como seminarios web, talleres y recursos gratuitos. Además, Algo Trading Week es una celebración del 11.º aniversario de la empresa y se extenderá durante 7 u 8 días, ofreciendo una amplia variedad de sesiones y concursos.
Luego, el orador presenta sus cursos Quantra, destacando que una parte significativa, alrededor del 20-25 por ciento o más, de los cursos están disponibles de forma gratuita. Esto es posible gracias al apoyo y las contribuciones de la comunidad. El orador expresa su deseo de hacer más y explica cómo esto los llevó a organizar un festival de aprendizaje de una semana. El festival reúne a algunos de los mejores expertos de la industria que compartirán sus conocimientos y puntos de vista. El ponente agradece las respuestas positivas recibidas.
A continuación, el orador presenta a los miembros del panel que formarán parte de la discusión. El panel incluye a Ishaan, quien lidera el equipo de contenido de Contra, Nitish, cofundador y director ejecutivo de QuantInsti, Pradipta, vicepresidente de Blue Shift, y Rajiv, cofundador y director ejecutivo de iRage. Estos estimados panelistas aportan diversas perspectivas y conocimientos a la mesa.
Luego, la discusión pasa al tema de las habilidades necesarias y los antecedentes educativos requeridos para una carrera en el comercio cuantitativo y algorítmico. El panel enfatiza la importancia de alinear los intereses y pasiones antes de profundizar en este campo. Aconsejan a las personas que estén preparadas para dedicar una cantidad significativa de tiempo y esfuerzo y enfatizan la necesidad de una comprensión clara de los mercados financieros, los métodos de programación, las estadísticas y la econometría. El panel enfatiza que se necesita experiencia en una o dos de estas áreas, pero se debe cumplir con un nivel mínimo de criterios de calificación en las tres. El panel también analiza cómo los cursos de corta duración pueden ayudar a las personas a desarrollar las habilidades necesarias para convertirse en jugadores competitivos en el campo.
Luego, los panelistas profundizan en los beneficios de tomar cursos de negociación cuantitativa y algorítmica. Resaltan la importancia de seguir un proceso comercial adecuado y utilizar matemáticas y estadísticas para explorar anomalías en el mercado. Los cursos enseñan la habilidad de Python, que es esencial para realizar pruebas retrospectivas y verificar hipótesis. Además, los participantes obtienen la capacidad de operar en papel o en vivo con sus estrategias en plataformas como BlueShift. Los panelistas también analizan las diferentes fuentes de alfa en los mercados y cómo los usuarios minoristas pueden beneficiarse del uso de plataformas de investigación y operaciones en vivo en lugar de confiar únicamente en estrategias preparadas. Hacen hincapié en que la evaluación del riesgo de una estrategia comercial no solo debe considerar la estrategia de forma aislada, sino también su impacto en la posición y la cartera general.
El panel analiza más a fondo la importancia de probar estrategias y tener acceso a alfa. Destacan la importancia de utilizar plataformas como BlueShift para la investigación sistemática en lugar de construir una plataforma propia, que requiere un conjunto diferente de habilidades y procesos. Los panelistas señalan que el comercio se puede clasificar en diferentes estilos, y el impacto de la evolución del mercado varía en consecuencia. Utilizan la analogía de los programas de ajedrez de aprendizaje automático para ilustrar cómo la industria del comercio cuantitativo puede beneficiarse de los avances en tecnología y análisis de datos. También destacan el volumen sustancial de información disponible para estrategias comerciales de frecuencia media y alta debido al mayor volumen de mercado y disponibilidad de datos.
Los panelistas cambiaron su enfoque hacia el impacto de la tecnología en el comercio cuantitativo y algorítmico. Destacan la creciente importancia de los grandes datos y la automatización y reconocen que los comerciantes de alta frecuencia se enfrentan a una competencia cada vez mayor. Los panelistas abordan las preocupaciones de los inversores minoristas que consideran ingresar al campo y advierten contra la implementación de estrategias demasiado rápido.
Los panelistas enfatizan la importancia de probar y comprender a fondo una estrategia antes de invertir en ella. Destacan la necesidad de evitar los peligros de precipitarse en la implementación sin una evaluación adecuada. Destacan que es crucial comprender por qué se espera que una estrategia en particular tenga éxito antes de usarla.
Los panelistas enfatizan la importancia de centrarse en aportes como ideas alfa, pruebas y gestión de riesgos para aumentar la probabilidad de éxito en el comercio. Reconocen que este proceso puede parecer lento y tedioso, pero es necesario ceñirse a él y evitar tomar decisiones precipitadas. Para aquellos que buscan hacer la transición del comercio discrecional al sistemático, los panelistas recomiendan adquirir una comprensión básica del comercio de mercado, habilidades elementales de matemáticas y estrategia, y programación, particularmente Python. También aconsejan a las personas que lean sobre comerciantes exitosos y aprendan de sus experiencias para evitar pérdidas por prueba y error.
Los panelistas analizan los peligros potenciales del comercio algorítmico y cómo evitarlos. Destacan la importancia de identificar los sesgos en las estrategias y garantizar que funcionen en diversas condiciones del mercado a través de pruebas retrospectivas y análisis exhaustivos. Los panelistas advierten que no se debe subestimar el modelado de la actividad de intercambio, ya que la falta de comprensión puede generar oportunidades perdidas o retrasos significativos en la ejecución comercial para estrategias comerciales de alta frecuencia. Recomiendan adoptar un enfoque sistemático para el desarrollo de la estrategia y probarlo exhaustivamente con factores simples y complejos. Los panelistas sugieren adquirir las habilidades necesarias a través de cursos, seminarios web y práctica para convertirse en comerciantes cuantitativos competentes y exitosos.
Los panelistas brindan valiosos consejos a las personas interesadas en el comercio algorítmico. Advierten contra el sesgo de anticipación, la dependencia excesiva de las pruebas retrospectivas y la confianza excesiva en los altos rendimientos sin considerar los riesgos asociados. Los panelistas también enfatizan la importancia de evitar el apalancamiento excesivo y recuerdan a los operadores que consideren los riesgos involucrados al evaluar los rendimientos. Destacan la presencia de sesgos que pueden sesgar los resultados de las pruebas retrospectivas y enfatizan la necesidad de comprender y abordar estos sesgos de manera adecuada.
Los oradores enfatizan la importancia de utilizar las herramientas y los métodos correctos al realizar pruebas retrospectivas para mejorar las posibilidades de éxito en el comercio. Destacan las oportunidades disponibles con el auge de los sistemas de código abierto y las bibliotecas de ciencia de datos que son de libre acceso para los comerciantes que poseen la capacidad de interpretar los datos correctamente. Adicionalmente, mencionan la posibilidad de utilizar infraestructura en la nube para alquilar servidores de manera flexible, lo que puede ayudar a reducir costos. Los oradores reconocen los desafíos de lograr el éxito en el comercio y enfatizan la importancia de ser objetivo y sistemático en el enfoque de uno para evitar influencias emocionales como el miedo y la codicia en las decisiones comerciales. Recomiendan tomar cursos como los que ofrece Quantra para mejorar las habilidades en el comercio cuantitativo y algorítmico.
Luego, el orador analiza la importancia de aprender todos los componentes básicos del comercio de manera objetiva y ser consciente de las diversas estrategias que existen. Resaltan el valor de invertir en la propia educación, ya sea en el comercio cuantitativo y algorítmico o en cualquier otro campo. El orador anuncia una competencia para personas interesadas en aprender los conceptos básicos del comercio, abierta a comerciantes, programadores y cualquier persona que busque mejorar sus conocimientos. La competencia consistirá en tres cuestionarios que cubrirán los mercados financieros, las matemáticas y las estadísticas, y la programación y el aprendizaje automático. El orador proporciona recursos para la preparación de exámenes.
El orador proporciona información detallada sobre el próximo cuestionario de Algo Trading Week, especificando las fechas y los temas que se tratarán. Se anima a los participantes a prepararse utilizando los recursos indicados o cualquier otro medio que prefieran, ya que los puntajes determinarán la clasificación final. El orador sugiere realizar los tres cuestionarios para aumentar las posibilidades de clasificarse entre los tres o los diez primeros participantes. Además, el orador analiza los requisitos de hardware necesarios para una configuración cuantitativa y explica que el hardware de ejecución puede ser tan simple como una computadora portátil o una configuración mínima en la nube. Sin embargo, las capacidades de investigación más avanzadas pueden requerir una mejor computadora con al menos 4 GB de RAM.
Luego, el panel profundiza en los requisitos de hardware para el comercio de alta frecuencia (HFT) y los fondos computacionalmente pesados. Destacan que HFT requiere actualizaciones y mejoras de hardware frecuentes para lograr una conectividad de intercambio más rápida, que es un factor crucial en su generación alfa. Las estrategias comerciales que requieren velocidad y una amplia investigación y análisis de datos requieren una infraestructura de nivel de servidor. El panel también advierte contra el tratamiento del comercio algorítmico como un mecanismo de "dispara y olvida", enfatizando la necesidad de monitorear regularmente el desempeño de la estrategia y tomar medidas correctivas si es necesario, incluso cuando se utiliza un sistema de comercio basado en la nube.
Cuando el panel de discusión llega a su fin, los panelistas expresan su agradecimiento a la audiencia por sintonizar y participar activamente en la sesión. Agradecen la paciencia demostrada a lo largo de la hora de debate y se despiden hasta la próxima sesión, que tendrá lugar al día siguiente. El panel concluye con una ronda final de agradecimiento y buenos deseos para todos los asistentes al evento.
Cómo automatizar una estrategia comercial | Curso de comercio de Algo
Cómo automatizar una estrategia comercial | Curso de comercio de Algo
Rishabh Mittal es un analista cuantitativo que trabaja en el equipo de contenido de Quantra. Su experiencia radica en la aplicación de técnicas de aprendizaje no supervisado, particularmente K-Means, para generar señales negociables. Participa activamente en el desarrollo de algoritmos innovadores para el dimensionamiento de posiciones en los mercados financieros, utilizando metodologías como el Seguro de Cartera de Proporción Constante (CPPI), entre otras. Antes de unirse a Quantra, Rishabh adquirió experiencia en la creación de estrategias comerciales sistemáticas utilizando TradingView para varios clientes.
En este seminario web titulado "Cómo automatizar una estrategia comercial", Rishabh profundizará en el proceso de automatización de estrategias comerciales y guiará a los participantes sobre cómo poner en marcha sus estrategias comerciales sistemáticas. El seminario web comenzará abordando los requisitos previos necesarios para automatizar una estrategia.
Rishabh luego se centrará en el enfoque basado en eventos esencial para el comercio automatizado. Explorará temas como conectarse con un corredor, obtener datos en tiempo real, generar señales basadas en los datos adquiridos y, en última instancia, realizar un pedido con el corredor.
Para concluir la sesión, Rishabh proporcionará una demostración paso a paso de cómo configurar una estrategia de demostración para el comercio de papel en los mercados utilizando Blueshift. Los participantes obtendrán conocimientos prácticos sobre la implementación y prueba de sus estrategias en un entorno comercial simulado.
Únase a Rishabh Mittal en este seminario web informativo mientras comparte su experiencia en la automatización de estrategias comerciales y ofrece una guía valiosa para llevar su enfoque comercial sistemático de la teoría a la práctica.
Aprendizaje automático y análisis de sentimiento [Seminario web del proyecto Algo Trading]
Aprendizaje automático y análisis de sentimiento [Seminario web del proyecto Algo Trading]
Damas y caballeros,
Espero que todos ustedes puedan escucharme claramente.
Bienvenido al canal de YouTube de Quantum City. Para aquellos de ustedes que asisten regularmente a nuestros seminarios web, pueden recordar uno de nuestros seminarios web recientes de Algo Trading Project, que se centró en el aprendizaje automático en el análisis de sentimientos y la asignación de cartera. Tuvimos el placer de invitar a dos estimados ex alumnos de EPAT, Carlos Peral y Vivian Thomas, para presentar su trabajo de proyecto. Desafortunadamente, la presentación posterior se vio interrumpida por una falla de hardware y no pudimos cubrirla con mucho detalle en ese momento. Sin embargo, tuvimos la suerte de que Carlos se tomó algunas horas extra para grabar su presentación por separado y compartirla con nosotros.
Entonces, sin más demora, procedamos y veamos la presentación de Carlos. Gracias.
"Hola a todos. Para la presentación de hoy, les mostraré mi proyecto final del programa EPAT (Executive Program in Algorithmic Trading), que se completó en marzo pasado. Primero, permítanme presentarme. Mi nombre es Carlos Martín, y Soy licenciado en ingeniería informática, llevo más de 10 años trabajando para varios clientes, principalmente ubicados en España y Bélgica, mi principal habilidad radica en el desarrollo de software, y he estado trabajando para instituciones europeas durante los últimos cinco años.
La motivación detrás de este proyecto surge de mi interés en el aprendizaje automático, particularmente en el análisis de sentimientos. Creo que estas técnicas han experimentado avances impresionantes en los últimos años, con la aplicación de modelos de aprendizaje automático en varios dominios, como el análisis de texto, el reconocimiento de voz, la traducción de idiomas y el análisis de sentimientos, que es el enfoque de este proyecto. El objetivo principal es encontrar una correlación entre el sentimiento de las noticias y la sensibilidad de los precios y aprovechar las puntuaciones del sentimiento para generar señales comerciales.
A diferencia de los enfoques tradicionales que se basan en análisis técnicos o cuantitativos, este proyecto utiliza datos cualitativos como una nueva fuente de información. El objetivo es traducir estos datos cualitativos en señales comerciales. El proyecto se divide en dos partes principales: análisis de texto e implementación de la estrategia comercial.
La parte de análisis de texto implica descargar noticias, realizar un preprocesamiento e implementar un modelo de aprendizaje automático para generar puntajes de sentimiento. Para este proyecto, elegí un modelo de memoria a corto plazo (LSTM) para generar puntajes de sentimiento. La parte comercial implica implementar la estrategia comercial, analizar los precios de las acciones y evaluar el desempeño de la estrategia.
Profundicemos en la estructura del proyecto en detalle. La parte de análisis de texto consiste en el administrador de noticias, que maneja la recuperación inicial y el preprocesamiento de los datos de noticias. Usé una clase para conectarme a un servicio web externo y recuperar las noticias en formato JSON. Estos datos de noticias se almacenan en un archivo CSV. La parte de análisis de sentimiento incluye el preprocesamiento de texto y el controlador NLP (Procesamiento de lenguaje natural), que genera puntajes de polaridad utilizando una biblioteca llamada Analytic Evaluator. Esta biblioteca asigna puntuaciones binarias a las noticias, etiquetándolas como negativas (-1) o positivas (1). Este paso es crucial para entrenar el modelo.
El modelo toma las noticias preprocesadas y se entrena utilizando una función sigmoidea para la clasificación binaria. Las puntuaciones de sentimiento de salida se clasifican como positivas o negativas. Luego se implementa la estrategia comercial y las puntuaciones de sentimiento generadas se traducen en señales comerciales. Un valor de -1 representa una señal de venta, mientras que un valor de 1 representa una señal de compra.
El proyecto se probó con cuatro acciones: Apple, Amazon, Twitter y Facebook. La estrategia de puntaje de sentimiento se comparó con una estrategia de comprar y mantener. El rendimiento se evaluó utilizando rendimientos, el índice de Sharpe y los rendimientos de la estrategia. Los resultados variaron entre las acciones, y algunas acciones mostraron un rendimiento mejorado utilizando la estrategia de puntaje de sentimiento en comparación con la estrategia de comprar y mantener. Sin embargo, hubo casos en los que la estrategia de puntaje de sentimiento no funcionó bien, especialmente durante ciertos períodos.
En conclusión, este proyecto destaca una correlación entre las tendencias negativas, las malas noticias y las posibles oportunidades comerciales. Al incorporar el análisis de sentimiento en la estrategia comercial, es posible aprovechar los datos cualitativos y capturar el sentimiento del mercado de manera sistemática. Este enfoque puede proporcionar una capa adicional de información que complementa el análisis técnico y cuantitativo tradicional.
Sin embargo, es importante tener en cuenta que el análisis de sentimientos no es un método infalible y su efectividad puede variar según varios factores. Las condiciones del mercado, la calidad y confiabilidad de las fuentes de noticias y la precisión del modelo de análisis de sentimientos juegan un papel importante para determinar el éxito de la estrategia.
Además, es crucial evaluar y refinar continuamente el modelo de análisis de sentimiento para adaptarse a la dinámica cambiante del mercado y los patrones de noticias en evolución. Es necesario monitorear regularmente el desempeño de la estrategia y hacer los ajustes necesarios para asegurar su efectividad a lo largo del tiempo.
En general, este proyecto demuestra el potencial del análisis de sentimientos en el comercio algorítmico. Abre nuevas vías para incorporar datos cualitativos en las estrategias comerciales y proporciona un marco para una mayor investigación y desarrollo en esta área.
Me gustaría extender mi gratitud al programa EPAT y al equipo de Quantum City por proporcionarme la plataforma y los recursos para emprender este proyecto. Ha sido una experiencia enriquecedora y creo que el análisis de sentimientos puede ofrecer información valiosa en el campo del comercio algorítmico.
Gracias por mirar, y espero que haya encontrado esta presentación informativa. Si tiene alguna pregunta o desea hablar más, no dude en comunicarse conmigo. ¡Qué tengas un lindo día!
Cómo crear un algoritmo comercial desde cero [Seminario web de comercio de algoritmos] - 22 de julio de 2021
Cómo crear un algoritmo comercial desde cero [Seminario web de comercio de algoritmos] - 22 de julio de 2021
Durante el seminario web, Ashutosh compartió su amplia experiencia en el campo del comercio de derivados financieros, que abarca más de una década. Destacó su experiencia en la aplicación de técnicas avanzadas de ciencia de datos y aprendizaje automático para analizar datos financieros. Ashutosh tiene una maestría prestigiosa y es analista financiero certificado (FF). Actualmente, es un miembro valioso del equipo de Quantum City, responsable del desarrollo e instrucción del curso EPAT, la primera certificación comercial algorítmica verificada del mundo.
El seminario web se centró principalmente en guiar a los participantes a través del proceso de creación de un algoritmo comercial desde cero. Ashutosh enfatizó la importancia de comprender los algoritmos comerciales, sus diversas aplicaciones en el mercado y la conversión de ideas en estrategias y, finalmente, en algoritmos comerciales. Esencialmente, un algoritmo sirve como un programa de computadora que ayuda a los comerciantes a tomar decisiones rentables mediante el análisis de datos y la generación de órdenes de compra y venta basadas en reglas predeterminadas. También facilita las interacciones con el entorno externo para enviar y recibir pedidos de manera efectiva.
Antes de sumergirse en los aspectos prácticos del comercio, Ashutosh destacó la importancia de definir el universo comercial de uno y determinar el alfa deseado. Alpha representa la fuerza impulsora detrás de las ganancias, que pueden provenir de diversas fuentes, como perspectivas de mercado únicas, obtener una ventaja sobre la competencia o implementar estrategias específicas adaptadas a objetivos individuales.
El contenido del video cubrió las tres fases fundamentales de la negociación: investigación, negociación y posnegociación. Ashutosh aclaró estas fases y proporcionó ejemplos de diferentes estrategias comerciales, centrándose en el proceso de transformación de ideas en algoritmos comerciales concretos. Demostró cómo incluso las reglas simples, como comprar una acción cuando su tasa de cambio (roc) supera 2 en los últimos 63 días, pueden formar la base de un algoritmo comercial.
A lo largo del seminario web, varios comerciantes mostraron sus enfoques para crear algoritmos comerciales desde cero. Un operador utilizó codificación visual, aprovechando datos del mercado indio e incorporó límites de órdenes y comisiones por acción. Otro comerciante demostró el proceso paso a paso, comenzando con la definición de su universo comercial, seguido de la creación de una función alfa para calcular el roc, estableciendo reglas comerciales y finalmente implementando la estrategia usando bloques lógicos.
El video proporcionó información completa sobre los componentes esenciales de un algoritmo comercial, a saber, las condiciones, el envío y la recepción de órdenes. Además, mostró cómo programar algoritmos para ejecución automática. Se presentaron estrategias basadas en la beta y el impulso como un medio para explotar las tendencias del mercado, junto con la inclusión de una estrategia de desvío de la media.
Ashutosh explicó el proceso de creación de un algoritmo comercial desde cero, cubriendo aspectos clave como la definición de un universo de acciones, el cálculo de coberturas relevantes y la ejecución de reglas comerciales. También enfatizó la importancia de ejecutar pruebas retroactivas en el algoritmo y optimizarlo para mejorar el rendimiento.
Se discutieron los métodos cuantitativos y su papel en la mejora de las habilidades comerciales, con énfasis en la utilización de la beta y la correlación con el mercado para tomar decisiones informadas. Ashutosh también ofreció a los participantes la oportunidad de una llamada de asesoramiento gratuita para apoyar aún más su viaje comercial.
Además, el seminario web exploró los diferentes tipos de datos que se pueden utilizar dentro de un algoritmo y abordó el proceso de evaluación de costos para el curso EPAT. A los asistentes también se les proporcionó una lista de consejeros del curso para orientación y apoyo.
El seminario web de Ashutosh entregó una guía completa para crear algoritmos comerciales desde cero. Se animó a los asistentes a enviar cualquier pregunta sin respuesta que pudieran haber tenido durante la presentación, asegurando una comprensión completa del tema.