Trading Quantitatif - page 23

[MetaQuotes]

Trading de volatilité : trader l'indice de peur VIX

Trading de volatilité : trader l'indice de peur VIX

La session a débuté avec l'hôte et le conférencier invité qui ont fourni un ordre du jour pour le webinaire, qui visait à améliorer la compréhension des participants sur la volatilité des marchés financiers. Ils ont commencé par définir la volatilité et son association avec le VIX, également connu sous le nom d'"indice de la peur". L'orateur s'est penché sur les différents types de dérivés VIX et VIX, mettant en lumière leur importance dans le trading. La session comprenait également une approche pratique du trading du VIX et s'est terminée par une session de questions-réponses pour répondre à toutes les questions du public.

Pour illustrer le concept de volatilité, l'hôte a utilisé Tesla comme exemple d'une action très volatile, expliquant comment ses rendements quotidiens fluctuent entre -20 % et +20 %. Ce niveau de volatilité en fait un actif risqué à gérer. L'animateur a souligné que le simple fait de regarder le graphique des prix d'un actif ne donne pas une idée claire de sa volatilité. Ce sont plutôt les rendements quotidiens qui offrent une meilleure indication de la volatilité d'un actif.

La vidéo a exploré plus en détail l'application de la volatilité au-delà du trading d'options et son utilité pour prendre des décisions sur l'achat d'actifs dans leur ensemble. Le conférencier a classé la volatilité en fonction de l'ampleur des fluctuations d'un actif, allant d'une volatilité élevée à faible. Une comparaison entre Tesla et le S&P 500 a été faite, le S&P 500 ayant une volatilité considérablement plus faible. Diverses méthodes de mesure de la volatilité ont été discutées, y compris l'écart-type et le bêta, qui fournissent des valeurs historiques de volatilité. Le concept de volatilité implicite a été introduit, représentant l'attente du marché des mouvements futurs d'un actif sans préciser la direction de ces mouvements.

Le webinaire s'est ensuite concentré sur l'explication du calcul du VIX, ou indice de volatilité, et son utilisation de la volatilité implicite de différents types d'options sur indice pour évaluer le potentiel de changements brusques. Le VIX est communément appelé "l'indice de la peur" et est représenté graphiquement par rapport au S&P 500. Alors que le VIX vise généralement à rester bas, des événements inattendus peuvent le faire monter en flèche, entraînant une peur accrue sur le marché. Le calcul réel du VIX est effectué par le CBOE, fournissant aux traders les chiffres dont ils ont besoin pour suivre le parcours du VIX et sa relation avec l'indice sous-jacent. Dans l'ensemble, le VIX est un outil essentiel pour les traders qui cherchent à atténuer les risques sur le marché.

L'orateur a ensuite discuté de la relation entre le VIX et le S&P 500, soulignant que le VIX reflète les attentes du marché en matière de volatilité dans l'avenir de l'indice et comment il réagit en période d'incertitude lorsque le S&P 500 connaît une baisse. L'orateur a cité des exemples tels que la guerre commerciale entre les États-Unis et la Chine et la pandémie de COVID-19 pour illustrer la corrélation entre le VIX et le S&P 500. Alors que le VIX s'efforce de rester bas, des événements inattendus peuvent entraîner une forte augmentation de la volatilité. Cependant, à mesure que les traders traitent de nouvelles informations et que l'incertitude diminue, la volatilité diminue également.

Le concept de l'indice de peur ou VIX a été introduit comme mesure de la peur des traders face aux nouvelles négatives ayant un impact sur le marché. Il a été souligné que le VIX ne se limite pas au S&P 500 mais peut être appliqué à d'autres zones géographiques, telles que la Bourse australienne, les actions de la zone euro et l'indice Hang Seng, ainsi qu'à d'autres classes d'actifs comme les matières premières et les devises. Le besoin du VIX survient parce que les traders peuvent avoir des attentes de volatilité du marché, mais ce n'est pas le seul facteur dans la détermination des décisions de trading puisque les options grecques jouent également un rôle. Par conséquent, le VIX sert d'outil aux traders pour négocier des options en fonction de la volatilité du marché. Bien que le VIX lui-même ne dispose pas d'un instrument de négociation, les produits dérivés tels que les contrats à terme et les options permettent d'estimer la volatilité future, facilitant ainsi les stratégies de négociation.

Les différents types de contrats à terme VIX disponibles pour le trading ont été discutés, y compris les expirations standard, du mois proche, du mois suivant, du mois lointain et des expirations hebdomadaires. La vidéo a souligné que si les contrats à terme VIX peuvent être coûteux, il existe des mini-futures disponibles à un dixième de la valeur, offrant une option plus accessible aux traders. De plus, les FNB VIX (fonds négociés en bourse) ont été introduits comme une alternative à la négociation des contrats à terme VIX. Ces ETF tirent leur valeur des contrats à terme VIX et offrent différentes options en fonction des préférences des traders. Les ETF VIX à court terme, tels que VIXY, suivent les contrats à terme proches du mois et du mois suivant, tandis que les ETF VIX à moyen terme, comme VIXM, suivent les contrats à terme à moyen terme. Les ETF inverses VIX, tels que SVXY, ont également été mentionnés, car ils évoluent dans la direction opposée aux contrats à terme VIX, augmentant en valeur lorsque les contrats à terme baissent. Les traders peuvent choisir parmi ces différents types de contrats à terme VIX et ETF en fonction de leurs perspectives de marché et de leurs stratégies de trading.

Ensuite, la vidéo a exploré d'autres dérivés basés sur VIX, y compris les ETF VIX et les ETN VIX (Exchange-Traded Notes). Il a été expliqué que les ETF VIX avaient des contrats à terme VIX sous-jacents, offrant une exposition à la volatilité du marché. D'autre part, les ETN VIX ont été mis en évidence comme n'ayant pas d'actif sous-jacent. L'orateur a mentionné le populaire VXX comme exemple de VIX ETN. Il a été souligné que le trading de dérivés basés sur VIX comporte des risques, et il est crucial que les traders comprennent ces risques avant de s'engager dans de telles activités de trading. Des stratégies de test et de backtesting dans un environnement de trading papier ont été recommandées avant de négocier avec du capital réel. Les ETN, en particulier, comportent un risque d'émetteur, ce qui signifie que si la société émettrice des ETN ne remplit pas ses obligations, le capital des investisseurs pourrait être menacé. De plus, il a été noté que les contrats à terme VIX avaient un effet de contango qui introduisait certains risques et considérations pour les commerçants.

L'orateur a approfondi le sujet de la convergence des contrats à terme VIX à l'approche de leur date d'expiration. Ils ont expliqué qu'à l'approche de la date d'expiration, les prix à terme du VIX ont tendance à converger. Il a été souligné qu'être du bon côté du commerce avant cette convergence est crucial pour les commerçants impliqués dans le commerce à terme VIX. La vidéo a ensuite présenté une stratégie simple basée sur le VIX qui consiste à utiliser le VIX pour couvrir un portefeuille pendant les périodes de baisse en optant pour une position longue sur les contrats à terme VIX. Cette stratégie a été testée et s'est avérée produire des rendements trois fois plus élevés entre 2011 et 2021 lorsqu'elle est combinée avec un portefeuille du S&P 500. L'importance de tester les idées et de les mettre en pratique dans un environnement de trading papier a été soulignée comme un moyen de gagner en confiance avant de les mettre en œuvre. dans des scénarios commerciaux réels.

Les hôtes du webinaire ont partagé des informations sur un cours qu'ils ont développé intitulé "Stratégies de trading de volatilité pour les débutants". Le cours se concentre sur l'enseignement aux traders de diverses méthodes de mesure de la volatilité, y compris l'ATR (Average True Range), l'écart type, le VIX et le bêta. Ils ont souligné l'importance de se doter des bons outils et des bonnes connaissances pour trader sans crainte de volatilité. Les hôtes ont mentionné que le cours est actuellement disponible avec une remise de 67 % pour une durée limitée. De plus, les participants au webinaire se sont vu offrir une réduction supplémentaire de 10 % sur le cours en utilisant le code de coupon VTS10. Les hôtes ont également profité de l'occasion pour répondre à certaines questions du public, y compris des questions sur l'accent mis sur le marché américain lors de l'analyse du VIX et si le VIX agit comme un indicateur avancé ou retardé des mouvements de prix.

L'orateur a ensuite expliqué la réaction quasi instantanée du VIX au S&P 500. Bien que la fourchette spécifique du VIX n'ait pas été discutée, il a été noté que la volatilité sur 30 jours est annualisée et se situe dans une fourchette de 0 à 100. L'orateur a souligné différentes phases du VIX, telles que la phase faible à moyenne allant de 10 à 20 et la phase moyenne de 20 à 25. Le conférencier a reconnu que le moutonnement, ou la tendance des acteurs du marché à agir collectivement, peut avoir un impact sur le VIX. La vidéo mentionnait également la disponibilité d'options à terme pour l'Inde VIX, bien que la liquidité de ces options soit limitée en raison des exigences élevées en capital.

Au cours de la session de questions-réponses, la vidéo a abordé plusieurs questions liées à la volatilité du trading et au VIX. Une question concernait la possibilité de négocier des dérivés basés sur VIX tout en étant basé en Inde. La réponse a indiqué que bien qu'il s'agisse d'une pratique émergente, certaines plates-formes de négociation autorisent la négociation de dérivés basés sur VIX en Inde. Une autre question a soulevé l'idée d'inclure le sentiment des nouvelles comme paramètre supplémentaire dans les modèles d'évaluation des options. L'intervenant a expliqué que le VIX appartient à une classe d'actifs différente et n'utilise pas les mêmes modèles que les autres options. Cependant, la vidéo a reconnu que l'analyse des sentiments peut jouer un rôle dans la compréhension de la dynamique du marché. De plus, la vidéo mentionnait brièvement UVIX et SVIX comme actifs sous-jacents pouvant être traités de la même manière que d'autres actifs lors de l'examen de stratégies de trading.

La discussion s'est ensuite tournée vers les règles d'une stratégie de portefeuille combiné, qui a été mentionnée plus tôt dans la vidéo. L'orateur a expliqué les critères des règles d'entrée et de sortie dans cette stratégie. La règle d'entrée se concentre sur le comportement du S&P 500, où s'il est en baisse, les traders peuvent réserver du capital pour rester long sur le VIX. Il a été noté que le VIX augmente généralement lorsque le S&P 500 baisse. D'autre part, la règle de sortie tient compte du comportement du S&P 500 pour déterminer s'il est sorti d'un marché baissier et si l'économie globale se porte bien, indiquant un marché haussier. Les commerçants ont été invités à évaluer les conditions du marché avant de prendre des décisions sur l'entrée ou la sortie de transactions.

Le webinaire a fourni des informations détaillées sur le trading de volatilité, avec un accent particulier sur le VIX en tant qu'indicateur clé. Il couvrait des sujets tels que la compréhension de la volatilité, la mesure et la catégorisation de la volatilité, le calcul du VIX, les différents types de dérivés basés sur le VIX et les stratégies de négociation de la volatilité. Les hôtes ont également proposé un cours sur les stratégies de trading de volatilité pour les débutants, encourageant les traders à se doter des connaissances et des outils nécessaires pour naviguer sur le marché en toute confiance. Le webinaire s'est terminé par une session interactive de questions-réponses, abordant diverses questions du public et apportant plus de clarté sur les sujets abordés.

• 00:00:00 L'hôte et le conférencier invité proposent un ordre du jour pour la session, en commençant par définir et comprendre la volatilité des marchés financiers. L'orateur continue d'expliquer pourquoi le VIX est appelé "indice de peur" et les différents types de VIX et dérivés basés sur VIX. La session comprend également une approche pratique du trading du VIX avant de se terminer par une session de questions-réponses. L'hôte décrit comment les gens associent la volatilité à des produits chimiques ou liquides instables et explique comment cela s'applique au trading.
  
  
• 00:05:00 Tesla est un bon exemple d'action très volatile, avec des fluctuations de ses rendements quotidiens allant de -20 % à +20 %. Cette forte fluctuation en fait un actif risqué à gérer. Cependant, regarder son graphique de prix seul ne donne pas une idée claire de la volatilité d'un actif. Ce sont les rendements quotidiens qui donnent une meilleure indication de la volatilité d'un actif.
  
  
• 00:10:00 La vidéo traite de l'utilisation de la volatilité au-delà du simple trading d'options et de la manière dont elle peut être utile pour prendre des décisions sur l'opportunité d'acheter un actif dans son ensemble. La vidéo explique que la volatilité peut être classée en fonction de la fluctuation d'un actif, allant d'une volatilité élevée à faible. Le S&P 500 est utilisé comme comparaison avec Tesla, car sa volatilité est considérablement plus faible. La vidéo traite des méthodes utilisées pour mesurer la volatilité, y compris l'écart type et le bêta, qui fournissent des valeurs historiques de volatilité. Le concept de volatilité implicite est également introduit, qui correspond à l'attente du marché quant à l'évolution future d'un actif, mais ne donne pas une idée de la direction dans laquelle ce mouvement sera.
  
  
• 00:15:00 Une compréhension claire de la façon dont le VIX, ou indice de volatilité, est calculé et comment il utilise la volatilité implicite des différents types d'options sur indice pour donner une idée de la brutalité des changements. Le VIX est souvent appelé "indice de peur" et est représenté graphiquement par rapport au S&P 500. Le VIX essaie généralement de rester bas, mais des événements inattendus peuvent le faire monter en flèche, d'où l'aspect de la peur. Le travail acharné derrière le calcul du VIX est effectué par le CBOE, qui donne les chiffres aux traders, leur permettant de se concentrer sur le parcours du VIX et sa relation avec l'indice sous-jacent. Dans l'ensemble, le VIX est un outil important pour les traders qui cherchent à atténuer les risques sur le marché.
  
  
• 00:20:00 L'orateur discute de la relation entre le VIX, également connu sous le nom d'indice de peur, et le S&P 500. Ils expliquent que le VIX est l'attente du marché quant à la volatilité future de l'indice et comment il réagit lorsque le S&P 500 baisse en raison de l'incertitude. L'orateur utilise plusieurs exemples, tels que la guerre commerciale entre les États-Unis et la Chine et la pandémie de COVID-19, pour démontrer la corrélation entre les deux. Ils précisent que le VIX essaie de rester bas mais peut connaître une forte augmentation en raison d'événements inattendus, entraînant une volatilité accrue. Cependant, à mesure que les traders traitent de nouvelles informations, le niveau d'incertitude diminue, tout comme la volatilité.
  
  
• 00:25:00 Le concept d'indice de peur ou VIX est introduit pour mesurer à quel point les commerçants ont peur des nouvelles négatives affectant le marché. Le VIX n'est pas seulement applicable au S&P 500 mais peut également être appliqué à d'autres zones géographiques telles que la Bourse australienne, les actions de la zone euro et l'indice Hang Seng et même à d'autres classes d'actifs telles que les matières premières et les devises. Le besoin du VIX se fait sentir parce que les traders peuvent s'attendre à la volatilité du marché, mais ce ne sera pas le seul facteur déterminant les décisions de trading puisque les options des Grecs sont également prises en compte. En tant que tel, le VIX sert d'outil aux traders pour négocier des options en fonction de la volatilité du marché, et bien que VIX n'ait pas d'instrument de trading, il dispose de dérivés qui permettent d'estimer la volatilité future pour faciliter le trading. Ces dérivés comprennent les contrats à terme et les options.
  
  
• 00:30:00 L'orateur explique les différents types de contrats à terme VIX disponibles pour le trading, qui incluent les expirations standard, proches du mois, du mois suivant et du mois lointain, ainsi que les expirations hebdomadaires. Alors que les contrats à terme VIX peuvent être coûteux, il existe des mini-futures disponibles à un dixième de la valeur. De plus, les ETF VIX peuvent être utilisés comme alternative et tirer leur valeur des contrats à terme VIX. Les ETF VIX à court terme, tels que VIXY, suivent les contrats à terme proches du mois et du mois suivant, tandis que les ETF VIX à moyen terme, comme VIXM, suivent les contrats à terme à moyen terme. L'orateur mentionne également les ETF VIX inverses, tels que SVXY, qui sont complètement inverses des contrats à terme VIX et augmentent en valeur lorsque les contrats à terme baissent. En fin de compte, les traders peuvent utiliser ces différents types de contrats à terme VIX et d'ETF en fonction de leur vision du marché.
  
  
• 00:35:00 Les différents types de dérivés basés sur VIX sont discutés, y compris les FNB VIX et les billets négociés en bourse VIX (ETN). Les ETF VIX ont des contrats à terme VIX sous-jacents, tandis que les ETN VIX n'ont pas de sous-jacent. Le VXX est un exemple de VIX ETN populaire. Cependant, il est important de noter qu'il existe des risques avec les dérivés basés sur VIX, et il est essentiel de les comprendre avant de négocier. Il est conseillé de tester et de backtester les stratégies avant de négocier avec du capital réel. Les ETN comportent un risque d'émetteur, ce qui signifie que si la société qui émet les ETN ne peut pas tenir sa promesse, le capital de l'investisseur est en jeu. De plus, les contrats à terme VIX ont un effet de contango qui peut entraîner des risques.
  
  
• 00:40:00 L'orateur discute de la convergence des prix à terme VIX à mesure qu'ils se rapprochent de leur date d'expiration et de l'importance d'être du bon côté du commerce avant de négocier des contrats à terme VIX. Ils expliquent ensuite une stratégie simple basée sur le VIX, consistant à utiliser le VIX pour couvrir un portefeuille pendant les périodes de baisse en prenant une position longue sur les contrats à terme VIX. Cette stratégie a été testée dans un cours sur le trading de volatilité et a donné lieu à des rendements trois fois plus élevés entre 2011 et 2021, en utilisant un portefeuille combiné de contrats à terme S&P 500 et VIX. L'orateur insiste sur la nécessité de backtester les idées et de les essayer dans un environnement de trading sur papier avant de trader à l'aveugle.
  
  
• 00:45:00 Les hôtes du webinaire discutent d'un cours qu'ils ont développé intitulé "Stratégies de trading de volatilité pour les débutants", axé sur l'enseignement aux traders comment mesurer la volatilité à l'aide de diverses méthodes telles que l'ATR, l'écart type, le VIX et la bêta. Ils soulignent l'importance d'avoir les bons outils et les bonnes connaissances pour trader sans crainte de volatilité. Le cours est disponible avec une réduction de 67 % pour une durée limitée et les participants au webinaire bénéficient d'une réduction supplémentaire de 10 % avec le code de coupon VTS10. Les hôtes répondent également à certaines questions du public, notamment pourquoi ils se concentrent sur le marché américain lors de l'analyse de VIX et si VIX est un indicateur avancé ou retardé des mouvements de prix.
  
  
• 00:50:00 L'orateur explique que le VIX a une réaction quasi instantanée au S&P 500. La gamme VIX n'est pas discutée, car la volatilité à 30 jours est annualisée et affichée, mais elle est de 0 à 100. Le VIX a tendance à avoir une phase différente entre 10 et 20, qui est la phase faible à moyenne, et 20 à 25, qui est la phase moyenne. De plus, l'élevage peut avoir un impact sur le VIX, et il existe des options à terme pour le VIX indien, mais il n'y a pas beaucoup de liquidités en raison des exigences élevées en capital.
  
  
• 00:55:00 La vidéo aborde diverses questions liées à la volatilité du trading et au VIX. Une question porte sur la possibilité de négocier sur des dérivés basés sur VIX tout en étant basé en Inde, et la réponse suggère que certaines plateformes de négociation le permettent, bien que ce soit encore une pratique émergente. Une autre question demande si le sentiment des nouvelles peut être inclus comme paramètre supplémentaire dans les modèles d'évaluation des options. La réponse note que le VIX est une classe d'actifs différente et n'utilise pas les mêmes modèles que les autres options. De plus, la vidéo traite des actifs sous-jacents d'UVIX et de SVIX et suggère qu'ils peuvent être traités comme d'autres actifs à prendre en compte pour les stratégies de trading. Enfin, une question porte sur les règles de la stratégie de portefeuille combiné, qui consiste à réserver une partie du capital et à réinvestir au fur et à mesure que le S&P 500 baisse.
  
  
• 01:00:00 L'orateur explique les critères des règles d'entrée et de sortie dans une stratégie de portefeuille combiné. La règle d'entrée est basée sur le comportement du S&P 500 ; s'il est en baisse, un trader peut réserver du capital pour être long sur le VIX. Le VIX augmente généralement lorsque le S&P 500 baisse. La règle de sortie, quant à elle, examine le comportement du S&P 500 pour déterminer s'il est sorti du marché baissier et si l'économie se porte bien (indiquant un marché haussier). L'orateur répond également à la question de savoir si le VIX suit le S&P 500 ou vice versa, expliquant que le VIX tire sa valeur du S&P 500 et le suit généralement, mais les traders peuvent prendre des décisions basées sur les niveaux du VIX qui peuvent affecter l'indice.

[MetaQuotes]

Big Data et l'avenir de l'investissement de détail

Big Data et l'avenir de l'investissement de détail

Les marchés financiers génèrent chaque jour d'énormes quantités de données. Dans ce webinaire, le conférencier discutera de l'importance de travailler avec lui dans le contexte de l'investissement et du trading. Il expliquera également comment nous pouvons l'exploiter pour l'adapter à différents styles d'investissement. Au cours du processus, il expliquera comment vous pouvez cultiver les connaissances et les compétences nécessaires pour prospérer et prospérer dans ce domaine.

00:00 - Présentation

04:00 - Clause de non-responsabilité

05:44 - Ordre du jour

11:04 - Données

14:31 - Mégadonnées

20:01 - L'aube de l'analyse de données

23:29 - Paysage actuel des échanges et des investissements

23:36 - Approche classique d'analyse de données

27:43 - Analyse de données moderne

31:29 - Pourquoi et comment l'analyse est-elle utilisée sur les marchés financiers

37:00 - Types de données

43:58 - Défis pour les investisseurs particuliers

52:38 - Q&R

[MetaQuotes]

Négociation de paires au Brésil et chevauchements courts sur les marchés américains [Algo Trading Projects]

Négociation de paires au Brésil et chevauchements courts sur les marchés américains [Algo Trading Projects]

Le webinaire commence par la présentation par l'animateur du Dr Luis Guidas, ancien élève de l'EPAT, qui présente son projet sur les paires se négociant sur les marchés boursiers brésiliens. Le Dr Guidas est un développeur de logiciels expérimenté dans l'industrie des cartes de paiement et un membre du corps professoral enseignant les compilateurs et les langages de programmation à l'Universidade Federal Fluminense. Il a beaucoup travaillé sur les algorithmes cryptographiques, les protocoles de communication de sécurité et les transactions électroniques sécurisées. Après avoir terminé le programme EPAT en juillet 2021, il est actuellement responsable de l'analyse quantitative chez oCam Brésil.

Le Dr Guidas commence par présenter le concept d'arbitrage statistique, qui consiste à utiliser des modèles statistiques pour trouver des paires d'actifs qui neutralisent le risque de l'autre. Il explique comment les paires co-intégrées peuvent être utilisées pour créer une série chronologique stationnaire avec une moyenne et une variance constantes. Pour illustrer cela, il utilise l'exemple de deux ETF qui suivent le même indice, qui sont presque parfaitement co-intégrés et créent un écart horizontal avec une moyenne et une variance constantes. Il mentionne que ce processus implique une période de formation et une période de test pour tester la stratégie.

Ensuite, le Dr Guidas se penche sur le processus de négociation des paires et sur la manière dont elles utilisent une stratégie de négociation de bande de Bollinger. Ils sélectionnent les tickers et les secteurs, trouvent des paires quantitatives et calculent le ratio de couverture pour créer leur spread. Pour chaque paire, ils calculent le spread et utilisent une stratégie de trading de retour à la moyenne, achetant lorsque le spread est inférieur à la moyenne et vendant lorsqu'il est supérieur à la moyenne. Il discute également de l'utilisation du stop-loss dans les algorithmes de retour à la moyenne et souligne que plus le prix s'écarte de la moyenne, plus la probabilité qu'il revienne à la moyenne augmente.

L'orateur présente une stratégie appelée temps d'arrêt, qui consiste à quitter une opération de spread après un certain nombre de jours si elle ne se ferme pas, ce qui permet d'éviter les pertes. Ils fournissent un exemple de stratégie de bande de Bollinger pour le trading de paires au Brésil, montrant sa rentabilité sur une période d'un an. Cependant, en raison de données limitées, ils mentionnent le biais qui peut résulter de l'utilisation des seules entreprises existantes dans la période actuelle. Pour y remédier, ils ont intégré une autre période de formation de 2018 à 2020, ce qui a entraîné un nombre plus élevé de binômes en raison de l'émergence de nouvelles entreprises et de nouveaux secteurs.

Le Dr Guidas partage son expérience avec le trading de paires au Brésil et discute de sa méthodologie. Ils simplifient l'analyse de l'écart et déterminent la durée de période moyenne mobile simple idéale en examinant la demi-vie de l'écart. Ils mettent également en évidence les défis rencontrés lors de la négociation sur le marché boursier brésilien, en particulier sa liquidité, qui limite le nombre de paires viables après avoir analysé les 100 premières entreprises. L'orateur fournit des mesures de performance mais reconnaît la nécessité d'améliorations et suggère des approches telles que le réglage des hyperparamètres, les contrôles de stationnarité et la fusion de petits secteurs. Ils recommandent de lire la littérature sur le sujet, en mentionnant spécifiquement les livres du Dr Chang et du Dr Hippish.

Au cours de la séance de questions-réponses, le Dr Grace répond aux questions du public concernant les stratégies présentées dans la vidéo. Elle explique que la période des bandes de Bollinger est un hyperparamètre qui peut être défini dynamiquement sur la base d'un test de grille des périodes de demi-vie de la propagation. Interrogée sur l'utilisation des bandes de Bollinger pour les chevauchements et les étranglements, elle suggère de demander l'avis d'experts en produits dérivés, car il s'agit d'opérations structurées. Le Dr Grace aborde également la question des transactions sans retour à la moyenne et suggère de rendre les séries sans retour à la moyenne en calculant leur premier moment. Une autre question porte sur la corrélation entre l'Indice Futuro VINFUT et BOVA11, auquel elle recommande d'étudier la relation entre les deux pour les décisions de trading.

Ensuite, le Dr Lewis Elton partage son expérience avec le programme Quantum Trading EPAD et comment il a répondu à ses attentes pour comprendre pourquoi l'analyse technique ne fonctionne pas toujours dans le trading. Il souligne l'importance d'étudier et de suivre des cours pour acquérir des connaissances et déconseille d'essayer de recréer seul le savoir de l'humanité. Le webinaire annonce également le lancement de leur premier cours contra en portugais sur le momentum trading.

Siddharth Bhatia prend la parole pour discuter des chevauchements courts sur les marchés américains. Il explique qu'un short straddle consiste à vendre un appel et à mettre des montants égaux à la monnaie et à réaliser un profit si l'actif sous-jacent évolue moins que le niveau d'exercice vendu. Bien que la stratégie soit présentée comme une stratégie de négociation de revenus, Bhatia prévient que les pertes potentielles peuvent être beaucoup plus importantes que les bénéfices, en particulier en période de volatilité du marché. Il cite des cas d'entreprises anéanties pendant des périodes comme la pandémie de COVID en raison de transactions chevauchantes courtes.

L'orateur partage sa propre expérience avec le backtesting d'une stratégie de trading court à cheval en utilisant une approche mécanique. Ils ont vendu 100 unités de straddle à parité au début de chaque période DTE (Days to Expiry) et ont conservé les positions jusqu'à l'expiration sans mettre en œuvre des stop loss ou des points d'entrée et de sortie nuancés. Ils ont effectué le backtesting en utilisant deux ensembles de données, l'un étant couvert par le delta et l'autre non couvert, et ont utilisé deux versions différentes avec 7 DTE et 60 DTE pour couvrir différentes périodes. Ils ont récupéré les données nécessaires au backtest via l'API RATS et les ont traitées à l'aide de pandas Python pour obtenir les prix d'achat et de vente. Cependant, l'orateur souligne le défi de créer le bloc de données, car chaque ligne nécessitait une attention individuelle pour garantir l'exactitude.

L'orateur discute ensuite des résultats des stratégies de backtesting short straddle trading sur les marchés brésilien et américain. Ils révèlent que la stratégie s'est mal comportée sur les deux marchés, ce qui a entraîné des baisses importantes et un faible ratio de Sharpe. Si la couverture delta a permis de réduire l'écart type du P&L (Profit and Loss), elle n'a pas transformé les transactions perdantes en transactions rentables. L'orateur note que les ordres stop-loss sont cruciaux dans ce type de trading et mentionne des articles académiques suggérant l'utilisation de filtres d'entrée basés sur l'indice VIX et la structure par terme des contrats à terme VIX. La stratégie de chevauchement court est considérée comme rentable mais risquée, nécessitant une gestion efficace des pertes par diverses méthodes.

Au cours de la session de questions-réponses, l'orateur répond à plusieurs questions des téléspectateurs. Une question porte sur la raison pour laquelle les positions de la stratégie ne sont pas couvertes en fin de compte. L'orateur explique que la pratique courante consiste à se couvrir une fois par jour à la clôture du marché car cela aide à réduire l'écart type du P&L et à minimiser la volatilité à long terme. Cependant, ils soulignent que les techniques de couverture sont soumises à des tests et à des recherches. L'orateur aborde également des sujets tels que le calcul du TCAC (taux de croissance annuel composé), les coûts de transaction et les avantages de conserver des positions pendant sept à dix jours au lieu de vendre quotidiennement dans la stratégie de chevauchement court. De plus, ils soulignent l'importance de l'expérience antérieure dans le trading manuel et non algorithmique, car cela prépare les traders à la volatilité du marché et à l'acceptation des pertes à court terme.

Les conférenciers continuent de répondre aux questions de l'auditoire, en répondant aux questions liées aux échanges de paires au Brésil et aux chevauchements courts sur les marchés américains. Un auditeur demande s'il devrait prendre un long écart si le VIX est d'environ 20, ce que l'orateur déconseille, notant que cela entraînerait généralement une perte et suggère de court-circuiter l'indice si le VIX est supérieur à 20. Une autre question concerne concilier des stratégies d'entrée opposées lorsque le VIX est supérieur à 30. La recommandation est de toujours être court et de ne pas tenir compte de la suggestion de déport. Les conférenciers reçoivent également des questions sur les recommandations de livres, l'un des conférenciers recommandant vivement les trois livres d'Eun Sinclair.

Le conférencier partage ensuite son expérience avec le programme ePAD de Quantum City, soulignant comment il a aidé à combler les lacunes dans leurs connaissances sur les concepts de codage et de trading algorithmique. Ils soulignent l'importance d'étudier et de devenir un étudiant des marchés. L'orateur encourage les nouveaux arrivants à ouvrir des comptes de démonstration et à acquérir de l'expérience dans la prise de pertes sur le marché, soulignant que la maîtrise d'une compétence nécessite d'approfondir et de suivre plus de cours. Ils soulignent que le programme ePAD de Quantum City est un excellent point de départ pour ceux qui cherchent à améliorer leur compréhension des marchés. L'orateur fait écho aux conseils du Dr Luis Guidas concernant l'importance d'étudier et d'apprendre continuellement du marché.

Alors que le webinaire tire à sa fin, les hôtes expriment leur gratitude au Dr Luiz pour avoir partagé ses précieuses informations sur le trading de paires au Brésil. Ils remercient également le public pour sa participation active au webinaire et ses suggestions de sujets futurs. Les hôtes reconnaissent les défis liés au lancement d'un cours de portugais, mais expriment leur enthousiasme face aux nombreux développements qui se produisent au sein de leur communauté. Ils encouragent le public à partager leurs commentaires par le biais d'un sondage, ce qui leur permet de recueillir des informations et des idées précieuses pour les sessions futures.

Avec une chaleureuse appréciation, les hôtes ont fait leurs adieux au Dr Luiz et au public, exprimant leur enthousiasme pour les prochains webinaires et leur engagement à fournir des connaissances et des idées précieuses à la communauté commerciale. Ils ont hâte d'explorer de nouveaux sujets, de partager leur expertise et de favoriser un environnement d'apprentissage florissant pour tous les participants.

Le webinaire a offert un aperçu complet des paires qui se négocient sur les marchés boursiers brésiliens et des défis associés aux stratégies de négociation à court straddle sur les marchés américains. Les conférenciers ont partagé leurs expériences, leurs stratégies et leurs idées, encourageant l'apprentissage continu et la recherche pour naviguer efficacement dans le paysage dynamique du trading.

• 00:00:00 L'animateur présente le Dr Luis Guidas, ancien élève de l'EPAT, qui présente son projet sur les échanges de paires sur les marchés boursiers brésiliens. Le Dr Guidas possède une vaste expérience dans le développement de logiciels, en particulier dans l'industrie des cartes de paiement. Il est également membre du corps professoral qui enseigne les compilateurs et les langages de programmation à l'Universidade Federal Fluminense. Le Dr Guidas a utilisé une approche innovante de résolution de problèmes dans sa carrière de développement de logiciels et a beaucoup travaillé sur les algorithmes cryptographiques, les protocoles de communication de sécurité et les transactions électroniques sécurisées. Il est actuellement responsable de l'analyse quantitative chez oCam Brésil après avoir terminé le programme EPAT en juillet 2021.
  
  
• 00:05:00 L'orateur introduit le concept d'arbitrage statistique, qui est une sorte de trading où un trader utilise des modèles statistiques pour trouver des paires d'actifs qui neutralisent le risque de l'autre. L'orateur explique comment des paires co-intégrées peuvent être utilisées pour produire une série chronologique stationnaire, qui a une moyenne et une variance constantes. Ils utilisent l'exemple de deux ETF qui suivent le même indice, qui sont presque parfaitement co-intégrés et produisent un spread horizontal qui a une moyenne et une variance constantes. Le conférencier explique que ce processus implique une période de formation et une période de test et sert à tester la stratégie.
  
  
• 00:10:00 L'orateur explique le processus de négociation des paires et comment ils utilisent une stratégie de négociation de bande de Bollinger. Ils sélectionnent des tickers et des secteurs et trouvent des paires quantitatives pour obtenir le ratio de couverture à combiner pour faire leur propagation. Pour chaque paire, ils calculent le spread et utilisent une stratégie de trading de retour à la moyenne qui consiste à acheter lorsque le spread est inférieur à la moyenne et à vendre lorsqu'il est supérieur à la moyenne. L'orateur discute également de l'utilisation du stop-loss dans les algorithmes de retour à la moyenne et pourquoi ce n'est peut-être pas une bonne approche car plus le prix s'éloigne de la moyenne, plus la probabilité qu'il revienne à la moyenne est élevée.
  
  
• 00:15:00 L'orateur discute d'une stratégie appelée temps d'arrêt, qui consiste à quitter une transaction pour un échange de spread après un certain nombre de jours si elle ne se clôture pas, ce qui peut aider à prévenir les pertes. Ils partagent également un exemple de stratégie de bande de Bollinger pour le trading de paires au Brésil et comment il réalise un profit décent avec une transaction d'un an. Cependant, en raison de données limitées, l'orateur a dû utiliser des entreprises qui existaient à l'époque actuelle, ce qui pourrait entraîner un biais dans les résultats de leur back test. Par conséquent, ils ont également utilisé une autre période de formation de 2018 à 2020 avec de nouvelles données, ce qui a entraîné un nombre plus élevé de paires en raison de l'émergence de nouvelles entreprises et de nouveaux secteurs.
  
  
• 00:20:00 L'orateur discute de son expérience avec le trading de paires au Brésil et donne un aperçu de sa méthodologie. Ils parlent d'utiliser une approche simplifiée pour analyser la propagation et la demi-vie du commerce afin de déterminer la durée idéale de la période moyenne mobile simple. Ils soulignent également les défis rencontrés lors de la négociation sur le marché boursier brésilien en raison de sa liquidité, expliquant comment seules quelques paires ont survécu après avoir analysé les 100 premières entreprises. L'orateur partage certaines mesures de performance, mais reconnaît qu'il y a toujours place à l'amélioration et suggère un réglage des hyperparamètres, des contrôles de stationnarité et la fusion de petits secteurs comme approches possibles. Ils recommandent de lire la littérature sur le sujet, notamment les livres du Dr Chang et du Dr Hippish.
  
  
• 00:25:00 Le présentateur répond à plusieurs questions du public sur les stratégies présentées dans la vidéo. Interrogée sur la période des bandes de Bollinger, elle explique qu'il s'agit d'un hyperparamètre qui peut être défini dynamiquement sur la base d'un test de grille des périodes de demi-vie de la propagation. En réponse à la question de savoir si les bandes de Bollinger peuvent être utilisées pour les chevauchements et les étranglements, elle note qu'il s'agit d'opérations structurées avec des dérivés et suggère que travailler avec des experts en dérivés peut fournir de meilleures informations. Elle explique également que lorsque les transactions ne sont plus synonymes de retour, elle ferme la position et suggère qu'au lieu d'échanger des paires, les séries sans retour peuvent être inversées en calculant leur premier moment. Enfin, interrogée sur la corrélation entre l'Indice Futuro VINFUT et BOVA11, elle recommande
  étudier la relation entre les deux et utiliser ces informations pour prendre des décisions commerciales.
  
  
• 00:30:00 Le présentateur parle de son expérience avec le programme Quantum Trading EPAD et comment il a répondu à ses attentes en comprenant pourquoi l'analyse technique ne fonctionne pas toujours dans le trading. Il recommande d'étudier et de suivre des cours pour acquérir des connaissances et de ne pas être assez arrogant pour essayer de recréer seul le savoir de l'humanité. Le webinaire annonce également le lancement de leur premier cours contra en portugais sur le momentum trading.
  
  
• 00:35:00 Siddharth Bhatia discute des chevauchements courts sur les marchés américains. Les chevauchements courts impliquent de vendre un appel et de mettre des montants égaux à la monnaie et de gagner de l'argent si le sous-jacent se déplace moins que le niveau du mur vendu. La stratégie s'est avérée rentable et est vendue comme une stratégie de négociation de revenus, mais Bhatia prévient que les pertes sont bien plus importantes que les bénéfices, en particulier en période de volatilité du marché. Il prévient que les chevauchements courts peuvent entraîner d'énormes pertes et mentionne les entreprises qui ont été anéanties à des moments comme la pandémie de COVID.
  
  
• 00:40:00 L'orateur parle d'un commerce de chevauchement court et de son expérience en le testant à l'aide d'une stratégie mécanique où il a vendu 100 unités à cheval au début de chaque période DTE et conservé jusqu'à l'expiration, sans stop loss ni entrées nuancées ou sorties. Ils ont utilisé deux ensembles, l'un couvert en delta et l'autre non couvert, et deux versions différentes avec 7 DTE et 60 DTE pour échantillonner différentes périodes. Ils ont utilisé l'API RATS pour récupérer les données de leur backtesting et ont utilisé des pandas Python pour traiter les données afin d'obtenir les prix d'achat et de vente. Le véritable défi du projet consistait à créer le bloc de données car chaque ligne nécessitait une attention individuelle pour s'assurer que les données étaient correctes. Après le backtesting, ils ont obtenu les résultats, et il est évident que le DT hebdomadaire sans couverture delta a entraîné d'importants prélèvements.
  
  
• 00:45:00 L'orateur discute des résultats des stratégies de backtesting short straddle trading sur les marchés brésilien et américain. La stratégie s'est mal comportée sur les deux marchés, avec un important drawdown et un faible ratio pointu. La couverture delta a permis de réduire l'écart type du P&L, mais elle n'a pas rendu rentable une transaction perdante. L'orateur note que les ordres stop-loss sont obligatoires pour ce type de trading, et mentionne également des articles académiques suggérant l'utilisation de filtres d'entrée basés sur l'indice VIX et la structure par terme des contrats à terme VIX. La stratégie est considérée comme rentable mais risquée, nécessitant de gérer les pertes par diverses méthodes.
  
  
• 00:50:00 L'orateur répond à plusieurs questions des téléspectateurs, notamment pourquoi les positions pour la stratégie ne sont pas couvertes en fin de journée. Il explique que la façon la plus simple et la plus courante de se couvrir est de le faire une fois par jour à la clôture, car cela aide à réduire l'écart-type P&L et à minimiser la volatilité à long terme. Cependant, il mentionne que les techniques de couverture font l'objet de tests et de recherches. L'orateur mentionne également le calcul du CAGR, les coûts de transaction et les avantages de conserver des positions pendant sept à dix jours au lieu de les vendre quotidiennement dans la stratégie de chevauchement court. De plus, il souligne l'importance d'avoir une expérience préalable dans le trading manuel et non algo, car cela prépare les traders à la volatilité du marché et à l'acceptation des pertes à court terme.
  
  
• 00:55:00 Les orateurs répondent à d'autres questions du public sur les échanges de paires au Brésil et les chevauchements courts sur les marchés américains. Un auditeur a demandé s'il pouvait prendre un écart long si VIX était d'environ 20, ce à quoi la réponse était que cela entraînerait généralement une perte, et qu'il vaut mieux court-circuiter l'indice si le mélange est supérieur à 20. Une autre question portait sur la façon de concilier s'opposer aux stratégies d'entrée lors de la saisie de transactions lorsque le VIX est supérieur à 30. La recommandation ici était de toujours être court et de ne pas tenir compte de la suggestion de déport. Les conférenciers ont également reçu des questions sur les recommandations de livres, les trois livres d'Eun Sinclair étant fortement recommandés par l'un des conférenciers.
  
  
• 01:00:00 L'orateur parle de son expérience avec le programme ePAD de Quantum City et comment cela l'a aidé à combler les lacunes dans ses connaissances sur les concepts de codage et de trading algorithmique. Il souligne l'importance d'étudier et d'être un étudiant des marchés et conseille aux nouveaux arrivants d'ouvrir des comptes de démonstration et d'acquérir une expérience de prise de pertes sur le marché. Il mentionne également que la maîtrise d'une compétence nécessite d'approfondir et de suivre plus de cours, et que le programme ePAD de Quantum City est un excellent point de départ. Le conférencier fait écho aux conseils du Dr Luis Gide sur l'importance d'étudier et d'être un étudiant des marchés.
  
  
• 01:05:00 Les hôtes remercient le Dr Luiz d'avoir partagé son expérience sur le trading de paires au Brésil, ainsi que le public d'avoir participé et suggéré de futurs sujets pour les webinaires. Les hôtes mentionnent le défi de commencer un cours en portugais, mais sont ravis des nombreuses choses qui se passent dans leur communauté. Ils encouragent le public à partager leurs commentaires par le biais d'un sondage, suggérant des sujets pour les sessions futures. Les hôtes expriment leur appréciation et font leurs adieux au Dr Luiz et au public.

[MetaQuotes]

Certificat en analyse des sentiments et données alternatives pour la finance - CSAF™ [SESSION D'INFORMATION GRATUITE]

Certificat en analyse des sentiments et données alternatives pour la finance - CSAF™ [SESSION D'INFORMATION GRATUITE]

Les hôtes du webinaire commencent par présenter le programme de certificat en analyse des sentiments et données alternatives pour la finance (CSAF). Ils soulignent que le programme est dirigé par deux professeurs expérimentés, le professeur Gautam Mitra et le professeur Christina Alvin Sayer. Le programme s'étend sur cinq mois et comprend une série de conférences visant à fournir à la fois une théorie fondamentale et des cas d'utilisation pratiques présentés par des conférenciers invités qui sont des professionnels du secteur financier.

Les hôtes fournissent un aperçu des modules du programme, en commençant par les deux premiers modules qui se concentrent sur les bases des données de sentiment et de sentiment. Les modules 3 et 4 se penchent sur les sources de données alternatives et leur pertinence pour la prévision et la modélisation financières, y compris les données satellite et e-mail, ainsi que l'analyse de texte. Le cours couvre également les bases de la modélisation, divers modèles financiers et l'application des données de sentiment à des domaines tels que la gestion des risques, l'optimisation de portefeuille et le trading automatisé. De plus, il existe un module spécifiquement dédié aux données alternatives, mettant l'accent sur le rôle de l'IA, de l'apprentissage automatique et des modèles quantitatifs dans l'analyse des sentiments.

Pour enrichir davantage le webinaire, deux invités spéciaux, Amit Arora et Abhijit Desai, qui sont des anciens du CSAF, sont présentés. Ils partagent leurs expériences de suivre la version précédente du cours appelé EPAT NSA. Amit explique comment l'orientation pratique du cours l'a aidé à développer ses propres idées de trading, l'amenant à consacrer plus de temps au trading réel, ce qui a donné des résultats meilleurs que prévu. Abhijit met l'accent sur l'importance de l'engagement, du dévouement et de la curiosité pour tirer le meilleur parti du cours.

Le webinaire comprend également des discussions avec diverses personnes qui ont fait l'expérience du programme CSAF. Ils partagent leurs défis et leurs succès dans la compréhension et l'application de l'analyse des sentiments et des données alternatives dans leurs stratégies de trading. Les conférenciers répondent aux questions du public, couvrant des sujets tels que la combinaison des sentiments et du trading de volatilité, la signification des données alternatives, l'importance de la certification dans l'investissement et le trading, l'inclusion de l'analyse des sentiments dans les stratégies de trading et la notification en temps réel des nouvelles dans commerce.

Tout au long du webinaire, les conférenciers soulignent l'importance de l'apprentissage structuré par le biais de cours de certification comme CSAF pour développer une perspective et une approche globales. Ils soulignent l'importance de comprendre les marchés et les modèles financiers pour appliquer efficacement l'analyse des sentiments et les données alternatives. Les conférenciers mettent également l'accent sur l'application pratique des connaissances, l'utilisation de cadres quantitatifs et la valeur des études de cas pour mettre en valeur l'utilisation des données sur les sentiments.

Les hôtes expriment leur gratitude au public pour sa participation au webinaire et sa participation active aux informations sur le programme CSAF. Ils encouragent les téléspectateurs à fournir leurs commentaires et leurs questions par le biais d'un sondage et remercient les conférenciers et les uns les autres pour leurs contributions au succès du webinaire. Les hôtes expriment leur plaisir à partager leurs connaissances et leur engagement à favoriser un environnement d'apprentissage pour tous les participants.

• 00:00:00 Les hôtes du webinaire présentent le programme CSAF, qui signifie Certificate in Sentiment Analysis and Alternative Data for Finance. Le programme est dirigé par deux professeurs expérimentés : le professeur Gautam Mitra et le professeur Christina Alvin Sayer. Le programme CSAF propose des conférences qui s'étendent sur cinq mois, couvrant à la fois des conférences de base pour la présentation de la théorie et des conférences de cas d'utilisation données par des conférenciers invités qui sont des professionnels de l'industrie financière. Les hôtes mentionnent également qu'il y aura une session de questions-réponses à la fin du webinaire et présentent deux invités spéciaux, Amit Arora et Abhijit Desai, qui partageront leurs expériences en tant qu'anciens du CSAF.
  
  
• 00:05:00 L'orateur décrit un programme de certificat en analyse de sentiment et données alternatives pour la finance et ses modules, qui se concentrent sur l'enseignement aux participants du sentiment, de ses différents types et de l'utilisation de données alternatives. Les modules sont dispensés par des professeurs principaux et des professeurs invités, tels qu'Antonio Gerni et Classifying Ironing, qui partagent leurs connaissances pratiques de la finance et de l'analyse des sentiments. Le programme comprend également neuf conférences de base qui aident à expliquer les concepts plus en détail. Les cours magistraux sont soutenus par des notes de cours et à la fin du programme, un examen est passé.
  
  
• 00:10:00 Christina donne un aperçu du programme de certificat en analyse des sentiments et données alternatives pour la finance (CSAF), en mettant en évidence les modules clés du cours. Les deux premiers modules se concentrent sur l'enseignement des bases du sentiment et des données de sentiment. Passant aux modules 3 et 4, le cours se penche sur les sources de données alternatives et leur pertinence pour la prévision et la modélisation financières, y compris les données satellite et e-mail et l'analyse de texte. Le cours couvre également les bases et les cadres de modélisation, divers modèles financiers et la manière dont les données de sentiment peuvent être appliquées à la gestion des risques, à l'optimisation de portefeuille et au trading automatisé. Enfin, le cours comprend un module sur les données alternatives et met l'accent sur le rôle de l'IA, de l'apprentissage automatique et des modèles quantitatifs dans l'analyse des sentiments.
  
  
• 00:15:00 Un ancien élève nommé Amit partage son expérience en suivant la version précédente du cours appelé EPAT NSA. Il a rejoint le cours par intérêt et n'en attendait pas grand-chose, mais l'orientation pratique du cours l'a aidé à développer ses propres idées de trading. Après avoir terminé le cours, il s'est éloigné du conseil en gestion active du changement et a consacré plus de temps au développement de ses propres idées. Au cours des trois derniers mois, il a consacré la majeure partie de son temps au trading réel, et les résultats ont été meilleurs que prévu. Un autre ancien élève nommé Avirup partage également son expérience et souligne l'importance de l'engagement, du dévouement et de la curiosité pour tirer le meilleur parti du cours.
  
  
• 00:20:00 Diverses personnes discutent de leurs expériences avec le cours de certificat en analyse des sentiments et données alternatives pour la finance (CSAF). Une personne explique qu'elle recherchait quelque chose de difficile en termes de trading d'algorithmes et a constaté que les données de sentiment et les nouvelles sont difficiles à analyser et à distinguer quelles connaissances sont utiles pour gagner de l'argent. Cependant, le cours les a aidés à comprendre Python et à développer leurs propres modèles. Le langage utilisé pour les modules d'apprentissage automatique est principalement Python, certaines personnes utilisant également R. Le webinaire a également été enregistré et sera partagé avec les participants inscrits qui n'ont pas pu y assister.
  
  
• 00:25:00 Les intervenants discutent de l'introduction, qui est un ensemble de sujets nécessaires pour avoir une base pour appliquer l'analyse des sentiments ou certaines données au trading. Il comprend des informations sur les autorités en matière de prédiction d'anomalies ou sur la manière de mesurer les performances. L'amorce n'a pas de durée déterminée car elle est donnée aux étudiants avant le début du cours. Chaque module, en revanche, a une durée d'environ trois heures par cours du samedi, qui est étayée par des notes de cours. Les conférences sur les cas d'utilisation varient en durée d'une à deux heures et comprennent des sessions de questions-réponses avec des membres du corps professoral invités. En réponse à la question d'un téléspectateur sur la nécessité de l'analyse des sentiments pour le trading, les conférenciers expliquent que l'analyse des sentiments peut aider à trouver des sources d'alpha ou à réaliser des retours sur investissements, même si l'efficacité du marché assimile finalement tous les sentiments et toutes les nouvelles.
  
  
• 00:30:00 Les conférenciers expliquent comment l'analyse des sentiments fournit des données précieuses pour les décisions de trading en raison de sa capacité à analyser rapidement et quantitativement les actualités qui ont un impact sur les activités du marché. Ils notent que l'analyse des sentiments est devenue de plus en plus importante avec l'abondance de données disponibles à partir de sources telles que Twitter et d'autres médias sociaux. Les conférenciers abordent également la question du type de sources de données généralement utilisées pour l'analyse des sentiments et mentionnent que les médias et les plateformes de médias sociaux sont des sources courantes, mais que l'utilisation de ces données nécessite l'autorisation des fournisseurs. Ils abordent également le sujet de l'utilisation des graphiques Vader pour l'analyse des sentiments.
  
  
• 00:35:00 Les conférenciers discutent de l'analyse des sentiments et du traitement du langage naturel en ce qui concerne l'analyse financière. Ils expliquent comment les données de sentiment, qui ont déjà été analysées et calculées par les fournisseurs de sentiment, peuvent être utilisées de manière quantitative pour optimiser les portefeuilles et prendre des décisions d'allocation d'actifs. Ils mentionnent également des acteurs majeurs de l'industrie tels que Bloomberg et Graffiti qui fournissent de telles données. Les conférenciers mettent en garde contre l'utilisation du traitement du langage naturel uniquement à des fins commerciales et soulignent l'importance de comprendre les marchés financiers pour utiliser efficacement l'analyse des données. En réponse à une question sur la poursuite d'une carrière dans l'analyse de données ou l'IA, les conférenciers soulignent la nécessité d'avoir une solide compréhension des marchés et des modèles financiers afin d'appliquer efficacement l'analyse de données.
  
  
• 00:40:00 Les intervenants répondent aux questions des téléspectateurs. La première question concerne la combinaison des sentiments et du trading de volatilité, et bien qu'elle ne soit pas directement couverte dans le cours, les instructeurs fournissent des outils et des méthodes pour y parvenir. Ils mentionnent que le trading impliqué dans cet indice, ou équivalent sur d'autres marchés, est un sujet important, mais c'est dans le domaine de la recherche de pointe. La question suivante demande ce que l'on entend par données alternatives, qui, selon les intervenants, constituent un nouveau domaine de croissance sur le marché, se référant aux données fournies par les acteurs du marché qui affectent le marché, telles que les données de sentiment ou les données d'actualité. Ils ajoutent que les données satellites, les boîtes de réception des e-mails et les commandes d'entreprises comme Amazon ou de fournisseurs de pizzas sont tous des exemples de données alternatives.
  
  
• 00:45:00 Les conférenciers discutent de l'importance de la certification dans l'investissement et le trading. Bien qu'il y ait de la valeur à apprendre de toutes les sources, un apprentissage structuré par le biais de cours de certification est nécessaire pour développer une perspective et une approche que l'apprentissage non structuré ne peut pas fournir. Cependant, le certificat lui-même n'est pas toujours invoqué par les sociétés commerciales. Ils abordent également une question sur l'importance des nouvelles politiques quotidiennes et d'autres nouvelles dans le commerce. Bien que les connaissances techniques soient importantes, se tenir au courant des événements actuels peut donner aux traders une meilleure compréhension des tendances du marché et les aider à prendre des décisions plus éclairées.
  
  
• 00:50:00 Les conférenciers discutent de l'inclusion de l'analyse des sentiments dans les stratégies de trading. Ils expliquent que si l'analyse technique et le trading sont bien connus, l'effet des nouvelles et du sentiment est également pris en compte dans diverses stratégies. Les commerçants informés prennent les nouvelles et les analysent avant d'utiliser leur discrétion pour effectuer des transactions, tandis que les commerçants bruyants réagissent immédiatement aux nouvelles. Ils suggèrent également que la combinaison de différents modèles et informations, y compris l'analyse des sentiments, peut conduire à des décisions plus éclairées. En ce qui concerne le sentiment individuel, le fournisseur de sentiment peut disposer d'un groupe de personnes pertinentes pour le marché, et il est souvent utile de filtrer les professionnels des marchés financiers pour l'analyse du sentiment des médias sociaux.
  
  
• 00:55:00 Les conférenciers expliquent si le cours couvre la notification en temps réel des nouvelles et des communiqués de presse, ce qui est important dans le trading automatisé ou systématique. Ils expliquent que même si l'arrivée de nouvelles est cruciale dans l'analyse des sentiments et peut affecter rapidement les rendements, elle ne peut pas dominer une stratégie de trading. Le cours est axé sur l'application et la pratique, mais la théorie fondamentale est également importante pour fournir une manière structurée de représenter l'information. Les conférenciers mettent l'accent sur l'utilisation de cadres quantitatifs et d'études de cas intéressantes pour mettre en évidence l'utilisation des données de sentiment.
  
  
• 01:00:00 Les conférenciers discutent de la façon dont la rigueur académique peut s'appliquer au trading et comment le cours CSAF se différencie du cours EPAT. Le cours EPAT couvre l'apprentissage automatique et les compétences Python, mais le cours CSAF ajoute des connaissances supplémentaires en analyse des sentiments et en données alternatives dans le contexte de cas d'utilisation et d'études de cas. Les conférenciers répondent également à une dernière question sur la manière dont le cours CSAF peut bénéficier à quelqu'un qui a déjà suivi le cours EPAT, Amit et Abhijit soulignant que le cours CSAF s'appuie sur les bases fournies par le cours EPAT et fournit des connaissances et des compétences supplémentaires pour développer idées commerciales. La session se termine par un rappel de poser des questions supplémentaires dans le sondage et un remerciement aux conférenciers pour leur temps.
  
  
• 01:05:00 Les conférenciers expriment leur gratitude à l'auditoire pour avoir assisté à la séance d'information sur le programme de certificat en analyse des sentiments et données alternatives pour la finance (CSAF). Ils encouragent les téléspectateurs à exprimer leurs questions et leurs préoccupations au sujet de l'émission et remercient tout le monde pour leur participation. Les conférenciers terminent la vidéo en se remerciant mutuellement pour son succès et expriment leur plaisir à partager leurs connaissances avec les autres.
  

[MetaQuotes]

Comment configurer le trading automatisé

Comment configurer le trading automatisé

Au cours de la présentation, le conférencier se penche sur les avantages du trading automatisé et les raisons pour lesquelles l'automatisation est nécessaire. Ils soulignent que le trading automatisé permet aux traders de gérer simultanément un plus grand nombre d'actifs et d'exécuter des transactions basées sur des règles prédéfinies. Cette approche permet de réduire le risque d'erreurs et d'éliminer les échanges axés sur les émotions. L'orateur souligne que l'automatisation simplifie le processus en passant automatiquement les commandes une fois les règles spécifiées satisfaites, éliminant ainsi tout décalage temporel. De plus, ils expliquent que l'automatisation libère du temps et des ressources pour les traders, leur permettant de se concentrer sur le développement de meilleures stratégies de trading.

L'orateur aborde une idée fausse courante selon laquelle l'automatisation remplace complètement l'intervention humaine. Ils soulignent l'importance d'analyser régulièrement les performances des systèmes de trading automatisés sophistiqués pour apporter des ajustements à la stratégie de trading si nécessaire. Ils soulignent que l'automatisation permet aux traders d'explorer d'autres tâches ou actifs qu'ils n'auraient peut-être pas tentés manuellement. La présentation aborde ensuite les trois étapes essentielles du trading : l'acquisition de données, l'analyse (qui peut être basée sur des règles ou discrétionnaire) et l'exécution des transactions.

Pour automatiser une partie du processus de trading, le conférencier recommande d'utiliser les données et le codage pour récupérer les données historiques des actifs préférés. Ils mentionnent que Google Finance a intégré son API dans Google Sheets, permettant aux utilisateurs de récupérer facilement des données en spécifiant des paramètres tels que le symbole boursier, les dates de début et de fin et le type de données. Ces données collectées peuvent être utilisées pour créer des graphiques de prix, effectuer des calculs (par exemple, générer des indicateurs personnalisés ou calculer des changements de pourcentage) et automatiser le processus de collecte de données, rationalisant les stratégies de trading.

Une démonstration dans la vidéo présente le processus de backtesting d'une stratégie de trading à l'aide de l'indicateur Relative Strength Index (RSI) sur des données passées. La valeur RSI, comprise entre 0 et 100, détermine l'action entreprise. Si la valeur RSI est inférieure à 30, indiquant que l'actif est survendu, il devient attrayant pour les acheteurs, les incitant à acheter l'actif. Une valeur entre 30 et 70 suggère aucune action, tandis qu'une valeur supérieure à 70 indique que l'actif est suracheté, provoquant une vente. L'orateur valide l'efficacité de ces règles en automatisant le backtesting sur des données passées, en utilisant une programmation visuelle sur un ensemble de données sur les actions américaines.

Le conférencier présente la plateforme Blue Shift pour le trading automatisé, qui offre des fonctionnalités telles que le backtesting, le trading papier et le trading en direct. Ils soulignent que la plate-forme offre des options de programmation visuelle qui ne nécessitent pas de connaissances en codage. Le conférencier démontre la mise en place d'une stratégie de trading à l'aide de l'indicateur RSI et explique les conditions de prise de positions longues et courtes. Enfin, ils présentent les résultats du backtest, qui présentent un rendement de 14 %, un ratio de Sharpe de 1,22 et un prélèvement maximal de moins 13 %. Dans l'ensemble, Blue Shift est salué comme une plate-forme conviviale pour créer et tester des stratégies de trading automatisées.

L'orateur aborde ensuite le processus de mise en œuvre d'une stratégie de trading automatisée dans le trading en direct. Ils recommandent de commencer par le trading sur papier, qui utilise des données en temps réel mais pas d'argent réel, pour observer les performances de la stratégie dans l'environnement de marché actuel. L'orateur guide le public à travers les étapes de la mise en place du trading papier et de la transition vers le trading en direct, y compris la sélection d'un courtier, la détermination de l'allocation du capital et la confirmation des commandes. Ils soulignent l'importance d'un suivi régulier de la performance de la stratégie et des ajustements nécessaires. L'orateur mentionne également que les sessions précédentes couvrant le trading en direct à l'aide d'autres plateformes sont disponibles sur leur chaîne YouTube.

Bien que tous les courtiers n'offrent pas d'API pour le trading automatisé, l'intervenant met en avant Interactive Brokers comme une plateforme disponible dans la plupart des régions, fournissant un support API. Ils mentionnent que l'utilisation d'un pont IBridge Py avec Interactive Brokers permet l'automatisation des transactions depuis n'importe où dans le monde, y compris Singapour. L'orateur note que bien qu'il soit possible d'obtenir des données sur les actions NSE, il est essentiel de trouver le symbole boursier approprié et d'utiliser Yahoo Finance pour accéder aux données historiques nécessaires.

L'orateur explique que les données au niveau de la minute ne sont pas largement disponibles gratuitement et souligne que les exigences en matière de données deviennent plus exigeantes à ce niveau. Pour obtenir des données au niveau de la minute, le conférencier suggère d'ouvrir un compte auprès d'un courtier comme Interactive Brokers. Cependant, ils mentionnent que selon la géographie et le courtier choisi, des frais peuvent être exigés. L'orateur mentionne brièvement la fonction de fréquence de trading et invite le public à consulter la documentation Blue Shift pour plus d'informations sur la création d'une stratégie de trading. Ils soulignent également l'importance de fixer des niveaux de stop-loss lors de l'élaboration d'une stratégie de trading.

Ensuite, l'orateur discute de l'importance de fixer des niveaux de stop-loss appropriés pour différents types d'actifs. Ils recommandent d'utiliser différentes valeurs de stop-loss en fonction de la volatilité des actifs, avec des stop loss plus élevés pour les actifs qui connaissent des fluctuations de prix importantes, comme Tesla. L'orateur note également que la détermination des valeurs idéales pour l'alpha et le bêta dépend des objectifs du trader et du délai souhaité pour atteindre un pourcentage spécifique de profit. De plus, ils répondent aux questions concernant l'automatisation des transactions sur les marchés indiens, la surveillance des stratégies et la création de stratégies d'options à l'aide de la plateforme. Enfin, le conférencier souligne l'importance de rester vigilant lors d'événements de marché inattendus et de déterminer s'il faut suspendre les transactions ou continuer en fonction de la capacité de la stratégie à résister à la volatilité.

L'orateur développe davantage l'automatisation du trading et son fonctionnement. Ils expliquent que l'automatisation est disponible pour les marchés indiens via la plateforme Blueshift, qui facilite les stratégies de backtesting et le trading en direct grâce à des partenariats avec divers courtiers. Soulignant l'importance d'avoir des règles prédéfinies dans le trading, l'orateur souligne la valeur de tester ces règles par le biais de backtesting et de trading papier, qui utilise de l'argent virtuel pour évaluer les performances de la stratégie dans les conditions actuelles du marché. L'orateur mentionne également que l'apprentissage automatique peut être appliqué au trading et est soutenu par Blueshift pour développer des stratégies de trading.

Abordant la possibilité de trading automatisé sur les appareils mobiles, l'orateur reconnaît que même si les plateformes mobiles ne sont peut-être pas aussi riches en fonctionnalités que les plateformes Web, le trading automatisé sur les téléphones mobiles peut devenir plus répandu à mesure que l'industrie évolue vers des solutions basées sur le cloud. . Ils suggèrent que les débutants commencent petit et élargissent progressivement leurs connaissances en apprenant davantage et en établissant une règle ou une stratégie de trading. L'orateur souligne que Blue Shift, une plateforme d'apprentissage, de backtesting et de trading, est entièrement gratuite et peut être utilisée pour expérimenter des stratégies de trading. Ils répondent également aux questions concernant les fonctionnalités de la plate-forme et mentionnent des plans pour ajouter plus de courtiers à l'avenir. Enfin, l'orateur répond à une question sur le trading automatique de Bitcoin sur n'importe quelle plate-forme.

En ce qui concerne la prise en charge des courtiers pour le trading automatisé, l'orateur précise que tous les courtiers n'offrent pas cette fonctionnalité, et les utilisateurs doivent vérifier si la plate-forme choisie la prend en charge. Ils expliquent que l'industrie se tourne de plus en plus vers le trading automatisé, la majorité des ordres étant exécutés à l'aide de systèmes de trading automatisés. En termes de combinaison de l'apprentissage automatique, des réseaux de neurones et de l'IA pour le trading algorithmique, l'orateur décrit le processus de formation et de test des données sur un modèle d'apprentissage automatique et d'exploitation de la sortie prévue pour le trading algorithmique. Enfin, ils répondent à une question d'un professionnel en activité, notant que le trading automatisé peut aider les professionnels à gérer les activités de trading tout en minimisant le temps d'écran, leur permettant de se concentrer sur les exigences de leur travail.

L'orateur réitère que l'automatisation d'une stratégie de trading est faisable pour les professionnels en activité, mais il est crucial d'examiner périodiquement les performances du système automatisé car les conditions du marché peuvent changer. Ils suggèrent que s'il est possible de créer une stratégie de trading sans apprendre Python ou tout autre langage de codage utilisant diverses plates-formes, les stratégies avancées peuvent nécessiter une maîtrise de Python ou d'autres langages de programmation. L'orateur rassure le public sur le fait qu'apprendre Python n'est pas aussi difficile qu'il n'y paraît et peut apporter un avantage supplémentaire. Ils soulignent l'importance d'évaluer régulièrement les performances pour modifier la stratégie en conséquence.

Enfin, le conférencier invite le public à remplir un sondage pour toutes les questions sans réponse et les encourage à profiter d'une offre à durée limitée, offrant une remise de 70% et une remise supplémentaire de 25% pour l'inscription à tous les cours. Ils expriment leur gratitude pour le soutien reçu et assurent le public de leur engagement à organiser davantage de webinaires à l'avenir. L'orateur demande des suggestions sur des sujets potentiels pour planifier de meilleures sessions qui répondent aux intérêts et aux besoins du public. En conclusion de la présentation, l'orateur souhaite chaleureusement un joyeux Holi et exprime sa gratitude à tous les participants pour leur participation à la session.

• 00:00:00 Le conférencier discute des avantages du trading automatisé et pourquoi l'automatisation est nécessaire. Grâce à l'automatisation, les traders peuvent gérer un plus grand nombre d'actifs en parallèle et exécuter des transactions basées sur des règles prédéterminées, réduisant ainsi le risque d'erreurs et évitant les transactions basées sur les émotions. Le processus est simplifié car le système passe la commande automatiquement une fois les règles satisfaites, évitant tout décalage dans le temps. De plus, l'orateur explique que l'automatisation peut libérer du temps et des ressources pour que les traders se concentrent sur le développement de meilleures stratégies de trading.
  
  
• 00:05:00 L'orateur discute de l'idée fausse selon laquelle l'automatisation élimine complètement l'intervention humaine et souligne l'importance d'analyser régulièrement les performances des systèmes de trading automatisés sophistiqués pour ajuster la stratégie de trading si nécessaire. L'utilisation de l'automatisation permet aux traders de se concentrer sur d'autres tâches ou actifs qu'ils n'auraient pas essayés manuellement autrement. L'orateur passe ensuite à la discussion des trois étapes du trading, en commençant par l'acquisition de données, suivie par l'analyse, qui peut être basée sur des règles ou discrétionnaire, et enfin, l'exécution des transactions.
  
  
• 00:10:00 Si vous souhaitez automatiser une partie de votre processus de trading, vous pouvez utiliser les données et le codage pour récupérer les données historiques de vos actifs préférés. Google Finance a intégré son API dans Google Sheets, ce qui facilite la récupération des données en saisissant simplement des paramètres tels que le symbole boursier, les dates de début et de fin et le type de données. Ces données peuvent ensuite être utilisées pour créer des graphiques de prix ou effectuer des calculs, tels que la création de vos propres indicateurs ou le calcul de variations en pourcentage. Avec cet outil, les traders peuvent automatiser leur processus de collecte de données et rationaliser leurs stratégies de trading.
  
  
• 00:15:00 La vidéo montre comment tester ou essayer une stratégie de trading en utilisant l'indicateur Relative Strength Index (RSI) sur des données passées. La valeur RSI est comprise entre 0 et 100, et selon sa valeur, une action différente est entreprise. Si la valeur RSI est inférieure à 30, cela signifie que l'actif est vendu par de nombreuses personnes, ce qui rend le prix attractif pour les acheteurs, qui achètent donc l'actif. Si la valeur RSI est comprise entre 30 et 70, aucune mesure n'est prise, et si la valeur RSI est supérieure à 70, cela signifie que les gens ont acheté l'actif, poussant le niveau des prix vers le haut, c'est donc le bon moment pour quitter le commerce en vendre l'actif. L'efficacité de ces règles est ensuite vérifiée en automatisant les tests rétrospectifs sur les données passées à l'aide d'une programmation visuelle sur un ensemble de données sur les actions américaines.
  
  
• 00:20:00 L'orateur discute de l'utilisation de la plate-forme Blue Shift pour le trading automatisé, qui permet aux utilisateurs de faire des backtests, d'échanger du papier et de passer en direct. La plateforme propose une programmation visuelle qui ne nécessite pas de codage. L'orateur démontre la mise en place d'une stratégie de trading à l'aide de l'indicateur RSI et explique les conditions longues et courtes. Enfin, il montre les résultats du backtest, qui offrent un rendement de 14%, un ratio de Sharpe de 1,22 et un drawdown maximum de moins 13. Dans l'ensemble, Blue Shift est une plateforme conviviale pour créer et tester des stratégies de trading automatisées.
  
  
• 00:25:00 L'orateur discute du processus de mise en ligne d'une stratégie de trading automatisée. Il recommande de commencer par le trading sur papier, en utilisant des données en temps réel mais pas d'argent réel, pour voir comment la stratégie fonctionne dans l'environnement de marché actuel. L'orateur décrit le processus de mise en place du trading sur papier, puis de mise en ligne, y compris la sélection d'un courtier, la définition du capital et la confirmation des commandes. Il insiste sur l'importance de surveiller régulièrement la performance de la stratégie et de l'ajuster au besoin. L'orateur mentionne également qu'il existe des sessions précédentes disponibles sur leur chaîne YouTube couvrant le trading en direct à l'aide d'autres plateformes.
  
  
• 00:30:00 Bien que tous les courtiers ne proposent pas d'API, Interactive Brokers est une plate-forme disponible presque partout et propose une API pour le trading automatisé. Un pont IBridge Py peut être utilisé avec Interactive Brokers pour automatiser les transactions depuis n'importe où dans le monde, y compris Singapour. Il est important de noter qu'il est également possible d'obtenir des données sur les actions NSE, mais il est nécessaire de rechercher le symbole boursier approprié et d'utiliser Yahoo Finance pour obtenir les données historiques nécessaires.
  
  
• 00:35:00 L'orateur explique comment les données de niveau infime ne sont pas largement disponibles gratuitement et que les exigences en matière de données deviennent élevées à ce niveau. Il suggère d'ouvrir un compte auprès d'un courtier comme Interactive Brokers pour obtenir des données de niveau minute, mais mentionne que des frais peuvent être exigés en fonction de votre géographie et du courtier choisi. L'orateur aborde brièvement la fonction de fréquence de trading et recommande la documentation Blue Shift pour plus d'informations sur la création d'une stratégie de trading. Ils précisent également que Blue Shift peut être utilisé pour la programmation visuelle ou le codage et que les niveaux de stop loss doivent être définis lors de la création d'une stratégie de trading.
  
  
• 00:40:00 L'orateur discute de l'importance de fixer des niveaux de stop-loss appropriés pour différents types d'actifs. Il recommande d'utiliser différents stop loss pour différents actifs en fonction de leur volatilité, avec des stop loss plus élevés pour les actifs à taux de fluctuation élevés comme Tesla. L'orateur note également que les valeurs idéales pour l'alpha et le bêta dépendent des objectifs du trader et du délai dans lequel il souhaite atteindre un pourcentage de profit particulier. De plus, l'orateur répond aux questions sur l'automatisation des transactions sur les marchés indiens, les stratégies de surveillance et la possibilité de créer des stratégies d'options avec la plateforme. Enfin, le conférencier souligne l'importance de rester vigilant face à des événements de marché inattendus et de déterminer s'il faut arrêter complètement de négocier ou continuer en fonction de la capacité de la stratégie à résister à la volatilité.
  
  
• 00:45:00 L'orateur discute de l'automatisation du trading et de son fonctionnement. Ils expliquent que l'automatisation est disponible pour les marchés indiens via la plate-forme Blueshift, qui permet aux utilisateurs de backtester des stratégies et de payer par transaction ou en direct grâce à des partenariats avec divers courtiers. L'orateur souligne l'importance d'avoir certaines règles dans le trading et de pouvoir les tester par le biais de backtesting et de trading papier, qui utilise de l'argent virtuel pour voir comment la stratégie fonctionne sur le marché actuel. L'orateur mentionne également que l'apprentissage automatique peut être appliqué au trading et est pris en charge par Blueshift pour les stratégies de trading.
  
  
• 00:50:00 L'orateur discute de la possibilité d'utiliser le trading automatisé sur un téléphone mobile, notant que si les plates-formes mobiles ne sont pas aussi riches en fonctionnalités que les plates-formes Web, le trading automatisé pourrait bientôt arriver sur les téléphones mobiles car tout bouge à être davantage basé sur le cloud. L'orateur suggère que les débutants peuvent commencer petit et progresser en apprenant davantage et en mettant en place une règle ou une stratégie de trading. L'orateur mentionne également que Blue Shift, une plateforme d'apprentissage, de backtesting et de trading, est entièrement gratuite et peut être utilisée pour essayer des stratégies de trading. De plus, ils répondent aux questions sur la plate-forme et notent que d'autres courtiers seront ajoutés à l'avenir. Enfin, l'orateur répond à une question sur l'utilisation de n'importe quelle plate-forme pour le commerce automatique de bitcoins.
  
  
• 00:55:00 L'orateur aborde la question de savoir si le trading automatisé est pris en charge par tous les courtiers et précise que tous les courtiers n'offrent pas de support pour le trading automatisé, et les utilisateurs devront vérifier si la plate-forme utilisée le prend en charge. L'orateur note que l'industrie s'oriente largement vers le trading automatisé, la majorité des commandes étant passées à l'aide de systèmes de trading automatisés. En ce qui concerne la combinaison de l'apprentissage automatique, des réseaux de neurones et de l'IA pour le trading algo, le processus implique la formation et le test des données sur le modèle d'apprentissage machine, en utilisant la sortie prévue pour le trading algo. Enfin, l'orateur répond à une question d'un professionnel en activité et note que le trading automatisé peut être utilisé pour les aider à se concentrer sur les exigences de leur travail en prenant en charge les activités de trading tout en minimisant le temps d'écran.
  
  
• 01:00:00 L'objectif est d'automatiser votre stratégie de trading, c'est faisable même pour les professionnels en activité. Cependant, il est important d'examiner périodiquement les performances du système automatisé car le scénario peut changer et ce qui fonctionnait auparavant peut ne pas fonctionner maintenant. Bien qu'il soit possible de créer une stratégie de trading sans apprendre Python ou tout autre langage de codage utilisant diverses plates-formes, si vous souhaitez affiner ou essayer des stratégies plus avancées, vous devrez peut-être apprendre Python ou d'autres langages de programmation. Apprendre Python peut être un avantage supplémentaire et vous constaterez que ce n'est pas aussi difficile que les gens le pensent. Dans tous les cas, un examen périodique des performances est essentiel pour modifier la stratégie en conséquence.
  
  
• 01:05:00 L'orateur rappelle au public de remplir un sondage pour toute question sans réponse et l'encourage à profiter de l'offre à durée limitée pour une remise de 70 % et 25 % supplémentaires en cas d'inscription à tous les cours. Ils expriment leur gratitude pour le soutien et prévoient de poursuivre les webinaires, demandant des suggestions de sujets futurs pour planifier de meilleures sessions. L'orateur termine en souhaitant à tous un joyeux Holi et en remerciant le public d'avoir assisté à la session.

[MetaQuotes]

Analyse quantitative des données des crypto-monnaies

Analyse quantitative des données des crypto-monnaies

Dans cette session informative sur l'analyse quantitative des données pour les crypto-monnaies, la conférencière, Udisha Alook, se présente comme une chercheuse quant au Quant Institute, spécialisée dans la blockchain, Bitcoin, Ethereum et Ripple. Elle souligne l'importance de faire preuve de diligence raisonnable avant d'investir dans les crypto-monnaies et décrit l'ordre du jour de la session.

L'orateur commence par donner un aperçu des crypto-monnaies, en soulignant qu'il s'agit de monnaies numériques ou virtuelles sécurisées par cryptographie et dépourvues de forme physique. Elle explique que les crypto-monnaies assurent la sécurité grâce à la cryptographie, fonctionnent de manière décentralisée en utilisant la technologie blockchain et éliminent le risque de double dépense.

Ensuite, l'orateur se penche sur les principaux sujets qui seront abordés dans la session. Elle mentionne que la session explorera les principales crypto-monnaies, discutera de l'endroit où obtenir des données sur les crypto-monnaies et fournira des informations sur le commerce sur le marché des crypto-monnaies. L'orateur souligne que l'accent sera mis sur l'analyse des données pour les principales crypto-monnaies.

À l'avenir, l'orateur présente Quantinsti, une société de trading quantitatif, et ses offres. Elle met en évidence le programme de certification professionnelle en trading algorithmique (EPAT), le certificat en analyse des sentiments et données alternatives pour la finance (CSAF) et les cours à votre rythme disponibles sous Quantra. De plus, le conférencier présente BlueShift, une plate-forme basée sur le cloud pour le développement de stratégies, la recherche, le backtesting, le trading sur papier et le trading en direct.

Revenant au sujet principal des crypto-monnaies, l'orateur discute des six principales crypto-monnaies en fonction de leur capitalisation boursière et donne un bref aperçu de leurs fonctionnalités. Bitcoin, la première et la plus connue des crypto-monnaies, est mentionnée comme la seule actuellement adoptée comme monnaie légale par El Salvador. Ethereum, classé deuxième en termes de capitalisation boursière, est mis en avant pour l'introduction de la fonctionnalité de contrat intelligent. Ripple, conçu comme un mécanisme d'échange intermédiaire, est mentionné comme la sixième crypto-monnaie de la liste. L'orateur présente également Binance Coin, qui est passé à sa propre blockchain, et Tether et USD Coin, des pièces stables indexées sur le dollar américain qui offrent une fonctionnalité de crypto-monnaie avec la stabilité des monnaies fiduciaires.

En ce qui concerne les sources de données pour les crypto-monnaies, l'orateur mentionne CryptoWatch et CoinAPI comme sources fiables de données cryptographiques historiques. Elle fournit également une liste des principales plateformes mondiales de trading de crypto, notamment Binance, Coinbase, Etoro, Gemini et Kraken.

Poursuivant la session, le conférencier compare les prix de diverses crypto-monnaies et illustre leurs performances sur une échelle logarithmique. Bitcoin apparaît comme la crypto-monnaie dominante en termes de prix, suivi par Ethereum et Binance Coin. On note que Ripple a connu une baisse de ses performances, tandis que les pièces stables restent stables en raison de leur nature. L'orateur calcule en outre les rendements cumulés, soulignant que Binance Coin a affiché les rendements les plus élevés, suivi d'Ethereum et de Bitcoin. La volatilité des quatre principales crypto-monnaies est décrite comme fluctuant de manière significative, avec des pics se produisant pendant certaines périodes, tandis que les pièces stables maintiennent constamment la stabilité.

La vidéo se concentre ensuite sur l'analyse de la volatilité et des risques associés à l'investissement dans les crypto-monnaies. L'orateur observe que les rendements de la crypto-monnaie affichent un kurtosis élevé, indiquant la probabilité de rendements extrêmes, à la fois positifs et négatifs. Cela est attribué au trading basé sur le momentum, où les investisseurs ont tendance à acheter lorsque les prix augmentent et à vendre en panique lorsque les prix baissent. Des diagrammes en boîte des rendements quotidiens sont présentés pour démontrer la présence de nombreuses valeurs aberrantes, soutenant davantage l'idée que les crypto-monnaies entraînent un niveau de risque important. Les pièces stables, cependant, présentent moins de volatilité.

Dans le segment suivant, l'orateur examine l'impact de la suppression des valeurs aberrantes sur les valeurs médianes des crypto-monnaies populaires telles que Bitcoin, Ethereum, Binance Coin, Ripple, USD Coin et USDC. Les pièces stables sont mises en évidence comme conçues pour maintenir une valeur proche d'un dollar américain, ce qui les rend particulièrement attrayantes pour de nombreux utilisateurs. Ripple, d'autre part, se distingue des autres crypto-monnaies en raison de sa blockchain d'autorisation unique conçue pour les institutions financières. L'affaire en cours de la SEC contre les fondateurs de Ripple est mentionnée comme un facteur qui a provoqué des fluctuations et de l'incertitude pour les investisseurs.

Ensuite, l'orateur regroupe les facteurs qui influencent les crypto-monnaies en cinq grandes catégories. Il s'agit notamment de la loi de l'offre et de la demande, qui a un impact sur la rareté et la valeur des crypto-monnaies. La perception de la valeur, déterminée par le sentiment du marché et celui des investisseurs, joue également un rôle important. Les avancées technologiques, telles que les mises à jour des protocoles de blockchain et les améliorations de l'évolutivité, peuvent affecter les performances des crypto-monnaies. Les réglementations et politiques gouvernementales, y compris les cadres juridiques et les mesures réglementaires, ont un impact considérable sur le marché de la crypto-monnaie. Enfin, le sentiment du marché, façonné par la couverture médiatique, les événements politiques et les tendances générales du marché, peut grandement influencer les prix des crypto-monnaies.

L'orateur explore l'influence des médias, des événements politiques, des changements réglementaires et des modifications de la blockchain sur les prix des crypto-monnaies. La couverture médiatique positive ou négative est mise en évidence comme ayant un impact significatif sur les prix des crypto-monnaies, car elle peut soit encourager, soit dissuader les gens d'investir. Les approbations de crypto-monnaies par des entreprises ou des particuliers réputés sont également notées pour augmenter leur fiabilité et leur fiabilité. Les événements politiques et les changements réglementaires, tels que les crises économiques ou les interventions gouvernementales, peuvent influencer la confiance des investisseurs dans la monnaie traditionnelle et les pousser vers les crypto-monnaies. L'orateur mentionne la forte corrélation entre diverses crypto-monnaies, en particulier avec Bitcoin comme crypto-monnaie dominante. Cependant, on observe que les pièces stables ne sont pas corrélées avec les crypto-monnaies traditionnelles, ce qui en fait une classe d'actifs unique.

La vidéo aborde en outre le processus d'échange de crypto-monnaies contre une monnaie fiduciaire. Il est expliqué que la plupart des échanges prennent en charge le trading des principales crypto-monnaies telles que Bitcoin et Ethereum. Par conséquent, il est souvent nécessaire d'échanger des altcoins contre l'une de ces principales crypto-monnaies avant de les convertir en monnaie fiduciaire. La vidéo explore également les stratégies de trading adaptées aux crypto-monnaies, y compris les stratégies basées sur des indicateurs de momentum et l'arbitrage, tirant parti de la forte volatilité du marché. Des exemples de codage utilisant des indicateurs tels que l'indice de force relative, la divergence de convergence moyenne mobile et l'oscillateur génial sont présentés pour illustrer les stratégies basées sur le momentum.

Vers la fin de la session, le présentateur récapitule les principaux points abordés et souligne le potentiel des pièces stables pour la diversification du portefeuille en raison de leur faible volatilité et de leur manque de corrélation avec les autres crypto-monnaies. Des ressources supplémentaires pour en savoir plus sur le trading algorithmique et la crypto-monnaie sont fournies, notamment des livres et des cours gratuits, ainsi que la plateforme de recherche et de trading Blue Shift. Le conférencier mentionne le programme exécutif en trading algorithmique, conçu pour les personnes souhaitant créer leur propre bureau de trading algorithmique ou poursuivre une carrière dans le trading algorithmique avec le mentorat de praticiens de l'industrie. La disponibilité de réductions pour les lève-tôt pour le programme est également mise en évidence.

Dans la partie finale, l'orateur répond à plusieurs questions du public liées à la crypto-monnaie et à la blockchain. La viabilité à long terme des crypto-monnaies sans support réglementaire est discutée, l'orateur soulignant que certains pays ont déjà adopté des lois les réglementant, les traitant comme des investissements à long terme. L'acceptation et le développement croissants de la technologie blockchain contribuent également au confort des gens avec les crypto-monnaies. L'avenir de la finance décentralisée (DeFi) est reconnu comme un espace en évolution avec divers concepts et types d'arbitrage encore à explorer. L'orateur souligne que le crypto trading va au-delà de l'exploration de données et des indicateurs techniques, soulignant l'importance de comprendre la technologie blockchain et ses applications.

En outre, l'impact potentiel des réglementations américaines à venir sur le marché de la cryptographie est discuté. L'orateur reconnaît que le gouvernement pourrait réglementer la blockchain aux États-Unis, mais souligne le défi de contrôler la nature décentralisée de la technologie. Par conséquent, bien que les décisions réglementaires puissent avoir un impact sur les prix des crypto-monnaies, un contrôle complet du marché peut être difficile à obtenir. Le capital minimum requis pour le trading de crypto et l'utilisation potentielle des crypto-monnaies dans les transactions du monde réel sont également abordés. Enfin, la montée en puissance des monnaies numériques des banques centrales (CBDC) et leur impact potentiel sur la nature décentralisée des crypto-monnaies sont brièvement évoqués.

Dans les remarques de clôture, les conférenciers soulignent l'exploration croissante de la technologie blockchain pour résoudre des problèmes tels que la délivrance d'identité et la gestion de la chaîne d'approvisionnement. Ils anticipent une forte demande de développeurs de blockchain à l'avenir en raison du développement continu dans le domaine. L'avantage des crypto-monnaies, telles que leur capacité à être échangées 24 heures sur 24, est mis en évidence. Le public est encouragé à fournir des commentaires et à poser des questions sans réponse pour de futures discussions.

À la fin de la session, l'orateur résume les principaux points à retenir, soulignant la nécessité d'une analyse de données appropriée et de techniques quantitatives pour naviguer dans la forte volatilité des crypto-monnaies. L'analyse technique et quantitative, ainsi que le backtesting, sont mis en évidence comme des outils essentiels pour atténuer les risques. L'orateur aborde également une question concernant l'impact des interventions géopolitiques sur les marchés des crypto-monnaies, notant que les décisions gouvernementales ont un impact, mais la nature décentralisée des crypto-monnaies peut amener les gens à se tourner vers elles dans des situations où la confiance dans la monnaie traditionnelle ou le gouvernement est faible. Enfin, les avantages des pièces stables sont soulignés, car elles offrent une valeur plus stable et prévisible par rapport aux autres crypto-monnaies, ce qui les rend plus adaptées aux transactions quotidiennes.

En réponse à une question sur l'impact potentiel des réglementations américaines à venir sur le marché de la cryptographie, l'orateur reconnaît la possibilité d'une réglementation gouvernementale mais souligne les défis liés au contrôle total de la nature décentralisée des crypto-monnaies. Bien que les réglementations puissent avoir un impact sur les prix des crypto-monnaies, l'orateur suggère qu'un contrôle complet sur le marché pourrait être difficile à réaliser. La montée en puissance des monnaies numériques des banques centrales (CBDC) est également mentionnée, et leur impact potentiel sur la nature décentralisée des crypto-monnaies est brièvement discuté.

Dans la dernière partie, les conférenciers discutent de l'exploration croissante de la technologie blockchain pour résoudre des problèmes du monde réel tels que l'émission d'identité et la gestion de la chaîne d'approvisionnement. Ils expriment leur optimisme quant à la demande future de développeurs de blockchain et à la croissance continue de l'industrie de la blockchain. Les avantages des crypto-monnaies, tels que leur capacité à être échangées 24h/24 et 7j/7, sont mis en évidence. Le public est encouragé à fournir des commentaires et à partager les questions restantes pour les sessions futures.

La session menée par Udisha Alook fournit des informations précieuses sur l'analyse quantitative des données pour les crypto-monnaies. Il souligne l'importance de la diligence raisonnable avant d'investir, donne un aperçu des crypto-monnaies et de leurs fonctionnalités, explore les sources de données et les plateformes de trading, analyse les mouvements de prix et la volatilité, discute des facteurs influençant les prix des crypto-monnaies et répond aux questions du public liées aux réglementations, aux stratégies de trading et l'avenir des crypto-monnaies. La session sert d'introduction complète à l'analyse quantitative sur le marché de la crypto-monnaie, dotant les participants des connaissances nécessaires pour prendre des décisions d'investissement éclairées.

• 00:00:00 L'orateur introduit le sujet de l'analyse quantitative des données pour les crypto-monnaies. La session est dirigée par Udisha Alook, qui travaille comme chercheur quant au Quant Institute et est un expert en blockchain, Bitcoin, Ethereum et Ripple. L'orateur souligne l'importance de la diligence raisonnable avant d'investir dans les crypto-monnaies et explique l'ordre du jour de la session, qui comprend un aperçu des crypto-monnaies, des principales crypto-monnaies et où obtenir des données et échanger des crypto-monnaies. La partie principale de la session se concentre sur l'analyse des données pour les principales crypto-monnaies.
  
  
• 00: 05: 00 La vidéo présente la société de trading quantitatif, Quantinsti, et ses différentes offres, y compris le programme de certification professionnelle en trading algorithmique (EPAT), le certificat en analyse des sentiments et données alternatives pour la finance (CSAF) et l'auto- cours rythmés sous Quantra. De plus, la vidéo traite de BlueShift, une plateforme de développement de stratégie basée sur le cloud pour la recherche, le backtesting, le trading sur papier et le trading en direct. Le sujet principal de la vidéo est les crypto-monnaies, définies comme des monnaies numériques ou virtuelles sécurisées par cryptographie, sans support physique d'existence. Les crypto-monnaies sont sécurisées car elles utilisent la cryptographie, sont décentralisées grâce à la technologie blockchain et évitent les doubles dépenses.
  
  
• 00:10:00 L'orateur aborde les six principales crypto-monnaies en termes de capitalisation boursière et explique brièvement leurs fonctionnalités. Bitcoin est la première crypto-monnaie et la seule à avoir été adoptée comme monnaie légale par El Salvador. Ethereum est deuxième derrière Bitcoin en termes de capitalisation boursière et a introduit la fonctionnalité de contrat intelligent. Ripple, conçu comme un mécanisme d'échange intermédiaire, est sixième sur la liste. Binance Coin, émis par la bourse Binance, est passé à sa propre blockchain. Tether et USD Coin, deux pièces stables indexées sur le dollar américain, offrent la fonctionnalité des crypto-monnaies mais la stabilité des monnaies fiduciaires. L'orateur mentionne également qu'il existe de bonnes sources de données cryptographiques historiques, telles que CryptoWatch et CoinAPI, et répertorie les principales plates-formes mondiales de trading de cryptographie telles que Binance, Coinbase, Etoro, Gemini et Kraken.
  
  
• 00:15:00 L'orateur compare les prix de diverses crypto-monnaies et montre leurs performances sur une échelle logarithmique. Bitcoin domine toutes les autres crypto-monnaies en termes de prix, suivi par Ethereum et Binance Coin. Ripple ne se porte pas bien et les pièces stables restent stables en raison de leur nature. L'orateur calcule ensuite les rendements cumulés et montre que Binance Coin a les rendements les plus élevés suivis d'Ethereum et de Bitcoin. La volatilité des quatre principales crypto-monnaies a été omniprésente, avec des pics à certaines périodes, tandis que les pièces stables restent stables.
  
  
• 00:20:00 La vidéo analyse la volatilité et le risque associés à l'investissement dans les crypto-monnaies. Il observe que les rendements des crypto-monnaies ont un kurtosis élevé, ce qui indique que des rendements extrêmes, à la fois positifs et négatifs, peuvent être attendus. Cela est dû au trading basé sur le momentum, où les investisseurs ont tendance à acheter lorsque les prix montent et à vendre en panique lorsque les prix baissent. La vidéo montre également des diagrammes en boîte des rendements quotidiens des crypto-monnaies, qui ont de nombreuses valeurs aberrantes. Ces données historiques prouvent que les crypto-monnaies sont un investissement risqué, bien que les pièces stables soient moins risquées.
  
  
• 00:25:00 L'orateur explique comment la suppression des valeurs aberrantes affecte la valeur médiane des crypto-monnaies populaires telles que Bitcoin, Ethereum, Finance Coin, Ripple, USD et USDC. Les pièces stables sont créées pour maintenir leur valeur proche d'un dollar américain, qui est l'objectif principal de la plupart de ces pièces stables. Ripple, d'autre part, se distingue des autres crypto-monnaies car il s'agit d'un type différent de blockchain qui est une blockchain d'autorisation conçue pour les institutions financières. L'orateur explique également comment l'affaire en cours de la SEC contre les fondateurs de Ripple a provoqué des fluctuations et de l'incertitude pour les investisseurs. Enfin, l'orateur regroupe les facteurs qui affectent les crypto-monnaies en cinq facteurs principaux : la loi de l'offre et de la demande, la perception de la valeur, les avancées technologiques, les réglementations gouvernementales et le sentiment du marché.
  
  
• 00:30:00 L'influence des médias, des événements politiques, des changements réglementaires et des modifications de la blockchain sur les prix des crypto-monnaies est discutée. Il est à noter que les médias ont un impact significatif sur les prix des crypto-monnaies, car des nouvelles positives peuvent encourager les gens à acheter tandis qu'une presse négative peut les dissuader. De plus, l'approbation des crypto-monnaies par des entreprises ou des particuliers réputés peut accroître leur fiabilité et leur fiabilité. Les événements politiques et les changements réglementaires, tels que la crise grecque en 2015, peuvent également influencer la confiance des investisseurs dans les gouvernements et les pousser vers la crypto-monnaie. La corrélation entre diverses crypto-monnaies, telles que le bitcoin et l'éthereum, est élevée, car la plupart des crypto-monnaies sont basées sur la blockchain et s'inspirent fortement du bitcoin. Enfin, on observe que les pièces stables ne sont pas corrélées avec les crypto-monnaies traditionnelles.
  
  
• 00:35:00 La vidéo traite du processus d'échange de crypto-monnaies contre de la monnaie fiduciaire. La plupart des échanges ne prennent en charge que l'échange des principales crypto-monnaies telles que Bitcoin et Ethereum, ce qui oblige à échanger d'abord les altcoins contre l'une de ces principales crypto-monnaies avant de les échanger contre la monnaie fiduciaire. La vidéo explore également les stratégies de trading qui peuvent bien fonctionner pour les crypto-monnaies, y compris les stratégies basées sur des indicateurs de momentum et l'arbitrage en raison de la volatilité des crypto-monnaies. La vidéo présente le codage des stratégies basées sur le momentum à l'aide d'indicateurs tels que l'indice de force relative, la divergence de convergence moyenne mobile et l'oscillateur génial.
  
  
• 00:40:00 Le présentateur récapitule les principaux points abordés dans la vidéo et souligne le potentiel des pièces stables pour être de bons candidats à la diversification du portefeuille en raison de leur faible volatilité et de leur manque de corrélation avec les autres crypto-monnaies. Le présentateur fournit également des ressources supplémentaires pour ceux qui souhaitent en savoir plus sur le trading algorithmique et la crypto-monnaie, y compris des livres et des cours gratuits, ainsi qu'une plateforme de recherche et de trading appelée Blue Shift. La section se termine par une discussion sur le programme exécutif en trading algorithmique, qui est conçu pour les personnes qui souhaitent démarrer leur propre bureau de trading algorithmique ou développer une carrière dans le trading algorithmique avec le mentorat de praticiens de l'industrie. Des réductions pour les lève-tôt sont actuellement disponibles.
  
  
• 00:45:00 L'orateur aborde plusieurs questions liées à la crypto-monnaie et à la blockchain. Interrogé sur la viabilité à long terme des crypto-monnaies sans support réglementaire, l'orateur note que certains pays, comme Malte, ont déjà adopté des lois les réglementant et les traitant comme des investissements à long terme. La technologie Blockchain s'est également développée et a été acceptée ces dernières années, rendant les gens plus à l'aise avec les crypto-monnaies. L'orateur estime qu'il peut être difficile de contrôler les crypto-monnaies, mais les gouvernements et les régulateurs prennent des mesures pour les réglementer. Interrogé sur l'avenir de la finance décentralisée, l'orateur reconnaît qu'elle rattrape son retard, mais il reste encore différents types d'arbitrage et d'autres concepts à considérer. Enfin, interrogé sur le crypto trading, l'orateur mentionne qu'il ne s'agit pas seulement d'exploration de données et d'indicateurs techniques mais implique également de comprendre la technologie blockchain et ses utilisations.
  
  
• 00:50:00 L'orateur discute de l'importance d'effectuer une analyse appropriée des données avant d'investir dans les crypto-monnaies en raison de leur forte volatilité. Elle met l'accent sur l'utilisation d'analyses techniques et quantitatives, ainsi que sur le backtesting, pour atténuer les risques. L'orateur aborde également une question concernant l'impact des interventions géopolitiques sur les marchés des crypto-monnaies, soulignant que les décisions gouvernementales ont un impact, mais la nature décentralisée des crypto-monnaies signifie que les gens peuvent se tourner vers eux si leur confiance dans la monnaie traditionnelle ou le gouvernement est plus faible. Enfin, l'orateur discute des avantages des pièces stables, qui atténuent une partie de la volatilité associée aux crypto-monnaies, les rendant plus utiles dans les transactions quotidiennes.
  
  
• 00:55:00 L'orateur discute de l'impact potentiel des prochaines réglementations américaines sur le marché de la cryptographie. S'il est vrai que le gouvernement pourrait réglementer la blockchain aux États-Unis, il peut s'avérer difficile de contrôler la nature décentralisée de la technologie. En conséquence, la décision du gouvernement sur la réglementation de la cryptographie pourrait avoir un impact sur le prix mais ne le contrôlera pas nécessairement complètement. L'orateur aborde également des questions concernant le capital minimum requis pour échanger des crypto-monnaies et le potentiel d'utilisation des crypto-monnaies dans les transactions du monde réel. Enfin, l'orateur parle de la montée en puissance des monnaies numériques des banques centrales et de l'impact possible sur la nature décentralisée des crypto-monnaies.
  
  
• 01:00:00 Les conférenciers discutent de l'exploration croissante de la technologie blockchain pour résoudre des problèmes tels que l'émission d'identité et la gestion de la chaîne d'approvisionnement. Ils pensent qu'il y a encore beaucoup de développement et de travail à faire dans l'espace blockchain et qu'il y aura une bonne demande pour les développeurs de blockchain. Les crypto-monnaies peuvent être échangées 24 heures sur 24, ce qui est l'un de leurs avantages. Les conférenciers encouragent également le public à donner son avis sur la session et à mentionner les questions sans réponse, auxquelles ils s'efforceront de répondre à l'avenir.

[MetaQuotes]

Introduction pratique au trading quantitatif | École de gestion de Yale

Introduction pratique au trading quantitatif | École de gestion de Yale

Dans le séminaire sur le trading quantitatif d'introduction, le conférencier se penche sur la création, l'évaluation et le déploiement d'algorithmes de trading à l'aide d'exemples de code. La session commence par présenter le concept de trading quantitatif, qui implique l'utilisation de modèles mathématiques et statistiques pour identifier les opportunités de trading et exécuter des transactions. Différents types de stratégies de trading quantitatif sont expliqués, y compris le trading dynamique, les systèmes de trading par détournement moyen, les modèles mathématiques, le trading à haute fréquence et les systèmes de trading basés sur les actualités. L'orateur souligne que les algorithmes ne sont pas seulement utilisés pour le trading, mais aussi pour la tenue de marché et l'exploitation des inefficacités de prix pour générer des profits.

La structure de base d'un système commercial quantitatif est ensuite expliquée. Cela comprend la collecte de données, la création d'une stratégie de trading, le backtesting, l'exécution et la gestion des risques. Les données de prix, fondamentales, économiques et d'actualité sont couramment utilisées pour les algorithmes de trading. Des analyses techniques, statistiques et mathématiques peuvent être utilisées pour concevoir des règles de négociation pour la stratégie. Le backtesting consiste à tester les règles sur des données historiques pour évaluer leurs performances. L'exécution peut être manuelle ou automatique, et la gestion des risques est cruciale pour l'allocation du capital et la définition des paramètres de risque tels que le stop loss. Le conférencier fournit des exemples concrets de stratégies de trading quantitatives pour illustrer ces concepts.

La stratégie basée sur les tendances est mise en évidence et des indicateurs techniques tels que la moyenne mobile exponentielle (EMA), la SM parabolique et l'oscillateur stochastique sont utilisés pour concevoir l'algorithme. La plate-forme Contra est introduite, qui propose des didacticiels vidéo, des exercices interactifs et une exposition pratique sans nécessiter d'installation de logiciel. Les modules Python sont importés pour faciliter la création de l'algorithme, et les données sont importées à partir d'un fichier CSV pour définir les règles de négociation et surveiller les performances de la stratégie. Le module TLA Python est utilisé pour définir les paramètres des indicateurs techniques, simplifiant ainsi le processus de conception.

L'instructeur explique comment définir des règles de trading et générer des signaux de trading à l'aide d'indicateurs techniques tels que les oscillateurs EMA, stochastiques rapides et stochastiques lents. Cinq conditions de trading sont décrites pour générer des signaux d'achat, et des règles de trading pour les positions courtes sont également conçues. L'étape suivante consiste à tester la stratégie à l'aide d'un cahier Python pour évaluer ses performances pratiques. Le graphique des rendements de la stratégie démontre que l'algorithme a initialement subi des pertes, mais a pris de l'ampleur à partir de 2018, générant finalement un profit à la fin de la période de test. BlueShift, une plate-forme qui permet la recherche, la construction et le backtesting d'algorithmes en toute simplicité, est lancée.

Une démonstration de backtesting sur les actions de Bank of America à l'aide de la plate-forme BlueShift suit. La plate-forme fournit la maintenance des données et une simple ligne de code pour importer des données dans Python. Des indicateurs et des règles de négociation sont définis et les transactions sont exécutées automatiquement en fonction du respect des conditions longues et courtes. Le backtest est réalisé de janvier 2020 à octobre 2021 avec un capital de 10 000 $, et la performance est comparée à l'indice de référence S&P 500. Les résultats révèlent un retour sur investissement de 113 %. Des résultats de backtest détaillés peuvent être obtenus pour analyser les rendements mensuels, les transactions exécutées et la marge utilisée, facilitant ainsi de meilleures décisions de trading.

L'orateur montre comment accéder aux résultats complets des backtests sur la plate-forme BlueShift, y compris des représentations visuelles des mesures de performance telles que les retours d'algorithmes et les cartes thermiques des retours mensuels. Les positions prises par l'algorithme sont analysées et des mesures clés telles que le profit total des côtés longs et courts sont examinées. Les paramètres de risque et les limites d'ordre peuvent être configurés avant de déployer la stratégie en temps réel, soit par le biais de transactions sur papier, soit avec un capital réel.

Le processus de sélection d'un courtier et de spécification des paramètres de capital et d'algorithme pour le trading sur papier à l'aide de la plateforme de trading BlueShift est expliqué. Les utilisateurs peuvent choisir parmi diverses options telles que Alpaca pour les actions américaines, OANDA pour le forex et Master Trust pour le trading sur les marchés indiens. L'orateur montre comment BlueShift est utilisé pour spécifier la matrice de risque avec une limite de prélèvement de 30 % et des limites d'ordre et de taille de 1 000 et 10 000, respectivement. Les utilisateurs ont la possibilité d'opter pour l'exécution automatique ou la méthode de confirmation en un clic en fonction de leurs préférences. Une fois que l'utilisateur clique sur confirmer, l'algorithme commence à s'exécuter et BlueShift établit une connexion avec la fraction de trading de papier Alpaca. Le tableau de bord met à jour en continu le capital commercial, les transactions, les positions et d'autres informations pertinentes en temps réel.

Le conférencier met en avant deux produits essentiels pour le trading quantitatif : Conda et BlueShift. Conda est utilisé pour obtenir des données de diverses sources, notamment les cours des actions, les crypto-monnaies, les actualités et les médias sociaux. Le cours explique comment accéder aux rapports fondamentaux ou extraire des données de médias sociaux dans des systèmes de trading à l'aide d'API. BlueShift, le deuxième produit, est utilisé pour concevoir et tester des stratégies, en utilisant des modèles économétriques et des analyses de séries chronologiques. Le cours fournit des exemples et du code pour diverses stratégies de trading telles que les stratégies de trading par détournement moyen, les stratégies de trading dynamique et les stratégies de day trading. De plus, le cours couvre la "Gestion de portefeuille à l'aide de la disparité hiérarchique de l'apprentissage automatique" pour faciliter la gestion de portefeuille et le contrôle des risques à l'aide de méthodes d'apprentissage automatique. BlueShift permet le backtesting des stratégies de trading sur un large éventail d'ensembles de données.

La disponibilité de différents ensembles de données pour la pratique du trading quantitatif est discutée, englobant les actions américaines, les crypto-monnaies, le forex, les actions indiennes et les données immobilières. Les déploiements basés sur le cloud et sur le bureau sont expliqués, l'exécution basée sur le cloud étant gérée par le courtier. L'intégration basée sur le bureau peut être réalisée à l'aide du logiciel IBridgePy, qui se connecte à des courtiers comme Interactive Brokers ou eTrade. Les étudiants participant à la session se voient offrir un code pour une réduction de 60% sur tous les cours disponibles sur le site ContraQuant. Le site Web propose des cours adaptés aux débutants, aux traders intermédiaires et avancés, couvrant un large éventail de concepts tels que les réseaux de neurones, le traitement du langage naturel (NLP), les stratégies dynamiques, les options, les contrats à terme et le trading de paires.

• 00:00:00 Un séminaire sur le trading quantitatif d'introduction est discuté, couvrant la création, l'évaluation et le déploiement d'algorithmes de trading à l'aide d'exemples de code. La session présente les concepts du trading quantitatif, y compris l'utilisation de modèles mathématiques et statistiques pour identifier les opportunités de trading et exécuter des transactions. Différents types de stratégies de trading quantitatif sont expliqués, tels que le trading dynamique, les systèmes de trading par détournement moyen, les modèles mathématiques, le trading à haute fréquence et les systèmes de trading basés sur les actualités. Enfin, on note que les algorithmes sont également utilisés dans la tenue de marché et pour profiter des inefficacités des prix pour faire du profit.
  
  
• 00:05:00 L'orateur explique la structure de base d'un système de trading quantitatif, qui comprend la collecte de données, la création d'une stratégie de trading, le backtesting, l'exécution et la gestion des risques. Les données les plus couramment utilisées pour les algorithmes de trading sont les données de prix, fondamentales, économiques et d'actualité. Des analyses techniques, statistiques et mathématiques peuvent être utilisées pour concevoir des règles de négociation pour la stratégie. Dans le backtesting, les règles sont testées sur des données historiques pour évaluer leurs performances. L'exécution peut être manuelle ou automatique, et la gestion des risques aide à l'allocation du capital et à la définition des paramètres de risque comme le stop loss. Le conférencier fournit également des exemples concrets de stratégies de trading quantitatives.
  
  
• 00: 10: 00 L'orateur discute de la stratégie basée sur les tendances utilisée dans le trading quantitatif et comment elle peut être conçue à l'aide d'indicateurs techniques tels que la moyenne mobile exponentielle, le SM parabolique et l'oscillateur stochastique sur la plate-forme Contra. La plate-forme propose des didacticiels vidéo, des exercices interactifs et une exposition pratique sans que l'utilisateur n'ait à installer de logiciel. L'orateur importe des modules Python pour aider à créer l'algorithme et importe des données à partir d'un fichier CSV qui est utilisé pour définir les règles de négociation et surveiller les performances de la stratégie. Les paramètres techniques des indicateurs sont définis à l'aide du module TLA Python qui facilite la conception de ces indicateurs.
  
  
• 00: 15: 00 L'instructeur explique comment définir les règles de trading et générer des signaux de trading à l'aide d'indicateurs techniques tels que les oscillateurs EMA, stochastique rapide et stochastique lent. Ils décrivent cinq conditions de négociation qui doivent être remplies pour générer un signal d'achat et conçoivent également des règles de négociation pour les positions courtes. L'étape suivante consiste à tester la stratégie pour voir dans quelle mesure elle fonctionne dans la pratique, ce qu'ils font à l'aide d'un bloc-notes Python. Le graphique des rendements de la stratégie montre que l'algorithme a enregistré une perte au début de 2017, mais a repris à partir de 2018 et a généré un bénéfice à la fin de la période de test. Ils présentent également BlueShift, une plate-forme qui permet aux utilisateurs de rechercher, de construire et de tester des algorithmes en un seul clic.
  
  
• 00:20:00 Nous assistons à une démonstration de backtesting sur l'action Bank of America à l'aide de la plateforme Blue Shift. La plate-forme fournit la maintenance des données et une simple ligne de code pour importer des données dans Python. Des indicateurs et des règles de négociation sont définis et les transactions sont prises automatiquement en fonction des conditions longues et courtes remplies. Le backtest est exécuté de janvier 2020 à octobre 2021 avec un capital de 10 000 $ et les performances sont comparées à l'indice de référence S&P 500. Les résultats montrent un retour sur investissement de 113 %. Un backtest plus approfondi peut être exécuté pour obtenir des détails sur les rendements mensuels, les transactions effectuées et la marge utilisée, permettant de meilleures décisions de trading.
  
  
• 00: 25: 00 L'orateur montre comment accéder aux résultats complets du backtest sur la plate-forme Blueshift, y compris des représentations visuelles des mesures de performance telles que les retours d'algorithmes et les cartes thermiques des retours mensuels. Ils expliquent également comment analyser les positions prises par l'algorithme et examiner les mesures clés telles que le profit total réalisé sur les côtés long et court. Le conférencier montre ensuite comment configurer les paramètres de risque et les limites d'ordre avant de déployer la stratégie en temps réel, soit par le biais de transactions sur papier, soit avec un capital réel.
  
  
• 00:30:00 L'orateur explique comment sélectionner un courtier et spécifier les paramètres de capital et d'algorithme pour le trading sur papier à l'aide de la plateforme de trading BlueShift. L'utilisateur peut choisir parmi diverses options telles que Alpaca pour les actions américaines, OANDA pour le forex et Master Trust pour le trading sur les marchés indiens. L'orateur montre comment utiliser BlueShift pour spécifier la matrice des risques avec une limite de retrait de 30 % et des limites d'ordre et de taille de 1 000 et 10 000, respectivement. Les utilisateurs ont la possibilité d'exécuter automatiquement ou la méthode de confirmation en un clic en fonction de leurs préférences. L'algorithme commence à s'exécuter une fois que l'utilisateur clique sur confirmer et que BlueShift commence à se connecter avec la fraction de trading de papier Alpaca. Le tableau de bord affiche le capital commercial, les transactions, les positions et les mises à jour toutes les millisecondes.
  
  
• 00:35:00 L'orateur discute des deux produits à utiliser pour le trading quantitatif, Conda et Blueshift. Conda est utilisé pour obtenir des données provenant de diverses sources allant des cours des actions et de la crypto-monnaie aux actualités et aux médias sociaux. Le cours décrit comment accéder à des rapports fondamentaux ou extraire des données de médias sociaux dans des systèmes de trading à l'aide d'API. Le deuxième produit, Blueshift, sert à concevoir et à tester les stratégies, à l'aide de modèles économétriques et d'analyses de séries chronologiques. Le cours propose des exemples et du code pour diverses stratégies de trading telles que les stratégies de trading de division moyenne, les stratégies de trading momentum et les stratégies de day trading. De plus, pour effectuer la gestion de portefeuille et contrôler les risques, ils proposent une "gestion de portefeuille utilisant la disparité hiérarchique de l'apprentissage automatique" en utilisant des méthodes d'apprentissage automatique. Blueshift permet le backtesting des stratégies de trading sur un large éventail d'ensembles de données.
  
  
• 00:40:00 L'orateur discute des différents ensembles de données disponibles pour la pratique du trading quantitatif, y compris les actions américaines, les crypto-monnaies, le forex, les actions indiennes et les données immobilières. Il existe deux types de déploiements disponibles, basés sur le cloud et basés sur le bureau, l'exécution basée sur le cloud étant prise en charge par le courtier. L'intégration basée sur le bureau peut être effectuée à l'aide du logiciel IBridgePy pour se connecter à des courtiers comme Interactive Brokers ou eTrade. Les étudiants qui assistent à la session reçoivent un code pour une réduction de 60% sur tous les cours disponibles sur le site Web de ContraQuant, qui propose des cours adaptés aux traders débutants, intermédiaires et avancés et couvre un large éventail de concepts tels que les réseaux de neurones, la PNL, les stratégies dynamiques, trading d'options, de contrats à terme et de paires.

[MetaQuotes]

Prédire les cours quotidiens des actions et automatiser une stratégie de trading en journée

Prédire les cours quotidiens des actions et automatiser une stratégie de trading en journée

Dans le webinaire d'introduction, l'hôte présente le sujet principal de la session, qui est de prédire les cours quotidiens des actions et d'automatiser une stratégie de day trading. La session comprend deux présentations de projets. La première présentation est faite par Renato Otto du Royaume-Uni, qui discute de la prévision des cours quotidiens des actions à l'aide d'un classificateur de forêt aléatoire, d'indicateurs techniques et de données de sentiment. Renato Otto est présenté comme une personne expérimentée impliquée dans le développement de logiciels et d'outils d'analyse quantitative et d'identification systématique des manipulations de marché sur le marché britannique de l'énergie.

Renato Otto partage la motivation derrière la réalisation du projet, expliquant que c'était une opportunité de consolider ses connaissances en programmation Python, en ingénierie des données et en apprentissage automatique dans un projet de bout en bout. Le projet visait à améliorer ses compétences et à explorer la puissance de l'apprentissage automatique et du traitement du langage naturel dans le trading. De plus, l'objectif était de créer quelque chose de réutilisable pour que d'autres puissent l'utiliser dans leurs propres analyses ou implémentations de stratégie. Le projet comprend neuf étapes, en commençant par définir les détails de l'analyse dans un dictionnaire et en initialisant un pipeline. Le programme s'exécute ensuite pour obtenir l'ensemble de données requis pour les calculs de backtesting. Le présentateur insiste sur l'importance de tester la convivialité du programme et de s'assurer de la fiabilité des chiffres finaux.

Le conférencier explique les méthodes impliquées dans le backtesting d'une stratégie de day trading. Ils discutent de la classe de stratégie de back-test, qui comprend diverses méthodes de prétraitement des données, de formation et de test de modèles et d'analyse des performances de la stratégie. Le résultat du processus de backtesting comprend des tableaux et des graphiques qui montrent le retour sur investissement, le ratio net, le rabattement maximal et d'autres paramètres pertinents. Bien que le backtesting aide à déterminer la rentabilité potentielle de la stratégie, l'orateur prévient qu'il simplifie certains aspects qui peuvent ne pas être vrais dans le trading en direct. L'orateur mentionne la dernière amélioration du programme, qui consiste à mettre à jour les paramètres pour refléter les conditions commerciales réelles, y compris les frais de transaction et la taille du compte.

Au cours de la présentation, le conférencier aborde également les défis rencontrés lors de l'élaboration du programme. L'un des défis consistait à mettre en place un menu interactif qui invitait les utilisateurs à saisir des données, ce qui nécessitait des efforts de réflexion et de développement supplémentaires. Cependant, l'orateur déclare que cela en valait la peine car cela rendait le programme plus convivial. Parmi les autres défis, citons la recherche de solutions pour le calcul des mesures de performance et le maintien d'un équilibre travail-vie personnelle. Pour surmonter ces défis, le présentateur recommande des stratégies telles que dessiner des diagrammes, écrire des commentaires comme tremplin pour coder, faire des pauses, effectuer des recherches en ligne et consolider les connaissances. Le présentateur souligne également les réalisations acquises grâce au projet, telles que la consolidation des connaissances en finance quantitative et les compétences en programmation, la prise de confiance dans la gestion d'un projet du début à la fin et la démonstration de la puissance de l'apprentissage automatique pour prédire les cours des actions.

L'orateur discute de leurs plans pour de futurs projets après avoir terminé celui en cours. Ils mentionnent leur intention d'étudier de nouvelles stratégies avec différents actifs, d'élargir leurs connaissances via leur blog et leurs interactions avec d'autres passionnés, de rechercher de nouvelles stratégies et des modèles d'apprentissage automatique, et éventuellement de mettre en œuvre des stratégies rentables dans le trading en direct. L'orateur partage ses coordonnées pour d'autres questions ou demandes de renseignements sur le projet. Le public pose plusieurs questions, notamment le nombre de nuits tardives passées sur le projet et si le programme peut être utilisé pour le trading de crypto-monnaie.

En ce qui concerne les données utilisées pour le projet, le créateur explique qu'il a formé le modèle en utilisant les prix quotidiens de Tesla depuis la création de l'entreprise en 2009. Le processus de formation a duré cinq mois et le modèle a été testé pendant quelques années. En termes de réduction des risques, le créateur mentionne qu'il n'y a pas grand-chose à faire sur un modèle d'apprentissage automatique pour réduire les risques, mais ils ont évalué un nombre raisonnable de transactions pour s'assurer que la plupart d'entre elles étaient rentables. Le créateur répond également aux questions sur le délai de prévision des prix et sur la nécessité d'un PC puissant pour entraîner le modèle.

L'orateur explique le processus de formation d'un modèle et discute des avantages du trading algorithmique par rapport aux systèmes discrétionnaires. Ils mentionnent qu'il est possible de former un modèle à l'aide d'un ordinateur sans GPU, bien que cela puisse prendre plusieurs heures pour arriver à un modèle fonctionnel. Cependant, ils déconseillent de s'appuyer régulièrement sur cette approche. Lors de l'examen des avantages du trading algorithmique, l'orateur met l'accent sur la confiance statistique dans la rentabilité de la plupart des transactions, ce qui la rend plus lucrative par rapport au trading discrétionnaire. Enfin, le conférencier exprime ses attentes vis-à-vis du programme EPAC, précisant qu'il leur a fourni les fondamentaux pour comprendre le trading algorithmique et les outils nécessaires pour choisir leur spécialisation.

Ensuite, le deuxième orateur, Usual Agrawal de l'Inde, est présenté en tant que commerçant quantitatif et propriétaire d'entreprise. Agrawal partage son expérience du commerce sur les marchés indiens au cours des quatre dernières années et les défis auxquels ils ont été confrontés lors de la gestion de leur entreprise parallèlement au commerce à temps plein. Pour surmonter ces défis, Agrawal a décidé d'automatiser ses configurations de trading à l'aide du cours EPAT et du soutien inconditionnel de l'équipe de Quantum City. Dans sa présentation, Agrawal présente sa configuration de trading entièrement automatisée appelée "Intraday Straddles", qui combine des configurations non corrélées pour générer des rendements décents avec des prélèvements minimaux. Ils discutent de leur approche de la collecte de données, du backtesting, du front testing, du déploiement et de l'évaluation des performances de leur stratégie de trading.

Au cours de la présentation, l'orateur plonge dans les détails des données, des systèmes et des paramètres utilisés pour tester sa stratégie de day trading. Leur stratégie consiste à créer des chevauchements et des étranglements pour les données sur les contrats à terme et les options Nifty et Bank Nifty en utilisant un délai d'une minute. L'orateur a utilisé deux années de données de mars 2019 à mars 2021, qui couvraient à la fois une période de faible volatilité et la pandémie de COVID-19. Ils expliquent les différentes classes utilisées pour le backtesting et les paramètres testés, y compris les variations des niveaux de stop loss. Enfin, le conférencier présente les résultats du processus de backtesting.

Le présentateur procède à la discussion des résultats de leurs backtesting et front testing de la stratégie de day trading. Au cours de la phase de backtesting, ils ont réalisé un rendement net de 3,15 lakhs, ce qui équivaut à un rendement annuel de 52,9 %. Le taux de réussite a été calculé à la fois normalement et normalisé, ce dernier fournissant une image plus réaliste. Le ratio pointu a été déterminé à 3,78 et la courbe des actions a reçu un bon soutien d'une moyenne mobile simple sur trois mois. Cependant, lors de la phase de test frontal, la stratégie n'a pas fonctionné comme prévu, ne gagnant que 70 000 roupies en 11 mois, ce qui correspond à un rendement annuel de 25 %. La courbe des actions est restée plate, ce qui indique que la stratégie n'est peut-être pas performante actuellement et nécessite une analyse plus approfondie. Le présentateur partage également les principaux défis rencontrés et les leçons apprises tout au long du projet, avec des difficultés majeures survenant lors de la collecte des données.

L'orateur discute de certains des défis rencontrés lors de l'élaboration de la stratégie de day trading. L'un des principaux obstacles était d'obtenir des données fiables sur les options intrajournalières, ce qui nécessitait de les acheter auprès de fournisseurs tiers. Un autre défi était le biais d'échantillonnage potentiel dû au fait de se concentrer uniquement sur les deux dernières années de données, ce qui pourrait ne pas représenter avec précision la performance globale de la stratégie. De plus, l'orateur note un effet de surpeuplement sur le marché, de nombreux commerçants employant des stratégies similaires. Le conférencier explique sa décision de développer la stratégie de manière indépendante, permettant des ajustements personnalisés. Enfin, les évaluations en cours de la stratégie et les efforts visant à la diversifier pour une meilleure efficacité sont mis en évidence.

L'orateur répond aux questions du public, notamment si le programme est exécuté manuellement ou automatiquement à l'aide de plates-formes cloud, et comment ils ont sélectionné les actions pour vendre des chevauchements et la distance typique de stop-loss par rapport à la prime. La stratégie s'applique uniquement à l'indice Nifty et à l'indice Bank Nifty en raison de problèmes de liquidité, et l'orateur nettoie les données par essais et erreurs, rectifiant les changements de format et supprimant les jours avec des erreurs de données.

Le conférencier répond à deux questions supplémentaires liées à sa stratégie de day trading. Ils discutent du pourcentage de stop loss utilisé pour les tests et des défis auxquels ils ont été confrontés dans la programmation sans formation en génie informatique. Ils expliquent comment ils ont surmonté ces défis avec l'aide du programme EPAT et du mentorat de Quadency. En outre, l'orateur offre des conseils aux aspirants quants et aux traders algorithmiques, soulignant l'importance de faire preuve de prudence et de mettre en œuvre une gestion des risques appropriée lors de l'application de toute stratégie de trading dans la pratique.

L'orateur souligne l'importance de la diversification des stratégies de trading et comment cela peut aider à naviguer dans les phases de retrait d'une stratégie tandis que d'autres continuent de bien performer. Ils soulignent la nécessité de tests approfondis et de passer du temps avec chaque stratégie pour apprendre ses nuances et les combiner efficacement. Il est important de noter que les informations partagées au cours de la session ne sont pas destinées à être des conseils de trading.

L'hôte conclut le webinaire en exprimant sa gratitude au conférencier, Visual, pour avoir partagé son projet et ses expériences. Ils informent le public que l'enregistrement de la session sera disponible sur leur chaîne YouTube et que les participants recevront un e-mail contenant les codes nécessaires et les liens GitHub liés aux stratégies discutées. L'hôte se réjouit d'organiser des sessions plus intéressantes dans les mois à venir, enrichissant davantage les connaissances et la compréhension du public.

Le webinaire a fourni des informations précieuses sur la prévision des cours quotidiens des actions et l'automatisation des stratégies de day trading. La première présentation de Renato Otto s'est concentrée sur la prévision des cours boursiers à l'aide d'un classificateur de forêt aléatoire, d'indicateurs techniques et de données de sentiment. La deuxième présentation d'Usual Agrawal a présenté sa configuration de trading entièrement automatisée, "Intraday Straddles", qui combinait des configurations non corrélées pour générer des rendements avec des prélèvements minimaux. Les deux présentateurs ont partagé leurs défis, leurs réalisations et leurs apprentissages, offrant de précieuses leçons au public. Le webinaire a servi de plate-forme pour explorer la puissance de l'apprentissage automatique et du traitement du langage naturel dans le trading et a donné un aperçu du monde passionnant du trading algorithmique.

• 00:00:00 L'hôte présente le sujet du webinaire qui consiste à prédire les cours quotidiens des actions et à automatiser une stratégie de day trading. Deux présentations de projet seront données, la première sur la prévision des cours quotidiens des actions avec des indicateurs techniques de classificateurs forestiers aléatoires et des données de sentiment, présentée par Renato Otto du Royaume-Uni, et la seconde sur la façon d'automatiser une stratégie de day trading d'options, présentée par Usual Agrawal de l'Inde. L'hôte présente Renato Otto et donne un bref aperçu de lui, y compris son expérience et son implication dans le développement de logiciels et d'outils d'analyse quantitative et d'identification systématique des manipulations de marché sur le marché britannique de l'énergie.
  
  
• 00:05:00 Le présentateur discute de sa motivation derrière la réalisation d'un projet qui consiste à prédire les cours quotidiens des actions et à automatiser une stratégie de day trading. Ils souhaitaient consolider leurs connaissances en programmation Python, en ingénierie des données et en apprentissage automatique dans un projet de bout en bout qui améliorerait leurs compétences et explorerait la puissance de l'apprentissage automatique et du traitement du langage naturel dans le trading. De plus, ils visaient à créer quelque chose de réutilisable pour que d'autres puissent l'utiliser dans leur propre analyse ou mettre en œuvre des stratégies. Le programme comprend neuf étapes, en commençant par fournir des détails dans un dictionnaire pour définir l'analyse, suivi par l'initialisation d'un pipeline et l'exécution du programme pour obtenir l'ensemble de données pour les calculs de backtesting. Le présentateur aborde l'importance de tester la convivialité du programme et de s'assurer que les chiffres à la fin sont fiables.
  
  
• 00:10:00 Le conférencier explique les différentes méthodes impliquées dans le back-testing d'une stratégie de day trading. La classe de stratégie de backtest se compose de plusieurs méthodes qui peuvent prétraiter les données, former et tester des modèles et analyser les performances de la stratégie. La sortie comprend des tableaux et des graphiques montrant le retour sur investissement, le ratio net et le prélèvement maximal, entre autres paramètres. Bien que la méthode de back-testing soit utile pour déterminer la rentabilité potentielle de la stratégie, l'orateur prévient qu'elle apporte plusieurs simplifications qui peuvent ne pas s'appliquer au trading en direct. La dernière amélioration du programme comprend la mise à jour des paramètres pour inclure les frais de transaction et la taille du compte afin de refléter les conditions de trading réelles.
  
  
• 00:15:00 Le présentateur discute des défis qu'il a rencontrés lors du développement du programme de prévision des cours quotidiens des actions et d'automatisation du day trading. L'un des défis était la complexité de la mise en œuvre d'un menu interactif qui invite les utilisateurs à saisir des données. Cela a nécessité une réflexion et un développement supplémentaires, mais cela en valait la peine car le programme est convivial. Parmi les autres défis, citons la recherche de solutions pour le calcul des mesures de performance et le maintien de l'équilibre travail-vie personnelle. Pour surmonter ces défis, le présentateur recommande de dessiner des diagrammes, d'écrire des commentaires comme tremplin vers le code réel, de faire des pauses, de googler les problèmes et de consolider les connaissances. Le présentateur discute également des réalisations acquises grâce à ce projet, telles que la consolidation des connaissances en finance quantitative et des compétences en programmation, la prise de confiance dans la gestion d'un projet du début à la fin et la démonstration de la puissance de l'apprentissage automatique pour prédire le cours de l'action du lendemain.
  
  
• 00:20:00 L'orateur discute de ses plans pour de futurs projets après avoir terminé le projet actuel sur la prévision des cours quotidiens des actions et l'automatisation d'une stratégie de day trading. Il mentionne l'étude de nouvelles stratégies avec différents actifs, l'élargissement des connaissances avec d'autres passionnés via son blog, la recherche de nouvelles stratégies et de nouveaux modèles d'apprentissage automatique, et éventuellement la mise en œuvre de stratégies rentables dans un cadre de trading en direct. De plus, l'orateur partage ses coordonnées pour ceux qui veulent poser des questions ou en savoir plus sur le projet. Le public pose également plusieurs questions, notamment combien de nuits tardives l'orateur a eues pendant le projet et si le programme peut être utilisé en crypto-monnaie.
  
  
• 00:25:00 Le créateur a utilisé les prix Tesla quotidiens depuis la création de l'entreprise en 2009 pour former le modèle. Le processus de formation a duré cinq mois et le modèle a été testé pendant quelques années. En ce qui concerne la réduction des risques, le créateur a mentionné qu'il n'y a pas grand-chose à faire sur un modèle d'apprentissage automatique pour réduire les risques. Pourtant, ils ont évalué un nombre raisonnable ou acceptable de transactions pour s'assurer que la plupart d'entre elles étaient rentables. Le créateur a également répondu aux questions relatives au délai de prévision des prix et à la nécessité d'un PC puissant pour entraîner le modèle.
  
  
• 00:30:00 L'orateur discute du processus de formation d'un modèle et des avantages du trading algorithmique par rapport aux systèmes discrétionnaires. Il explique qu'il est possible d'entraîner un modèle à l'aide d'un ordinateur sans GPU, et que cela peut prendre plusieurs heures pour arriver à un modèle qui fonctionne. Il note qu'il est possible de le faire une fois, mais qu'il n'est pas recommandé pour une utilisation régulière. Interrogé sur les avantages du trading algorithmique, l'orateur déclare qu'il existe une confiance statistique dans la rentabilité de la plupart des transactions, ce qui la rend plus rentable que le trading discrétionnaire. Enfin, le conférencier partage ses attentes vis-à-vis du programme epac, précisant qu'il lui a fourni les fondamentaux pour comprendre le trading algo et les instruments pour choisir sa spécialisation.
  
  
• 00:35:00 Le deuxième orateur de la vidéo, Usual Agrawal, est présenté comme un commerçant quantitatif et propriétaire d'entreprise indien. Agrawal fait du commerce sur les marchés indiens depuis quatre ans et a rencontré des difficultés pour gérer son entreprise tout en négociant à plein temps. Cela l'a amené à automatiser ses configurations de trading à l'aide du cours EPAD et du soutien inconditionnel de l'équipe de Quantum City. Au cours de la deuxième présentation, Agrawal présente sa configuration de trading entièrement automatisée "Intraday Straddles", qui combine des configurations non corrélées pour générer des rendements décents avec des prélèvements minimaux. Il décrit également son approche de la collecte de données, du backtesting, du front testing, du déploiement et de l'évaluation des performances de sa stratégie de trading.
  
  
• 00:40:00 L'orateur discute des données, des systèmes et des paramètres utilisés pour tester une stratégie de day trading de base qui consiste à créer des chevauchements et des étranglements pour les contrats à terme et les options Nifty et Bankruptcy en utilisant un délai d'une minute. L'orateur a utilisé deux années de données de mars 2019 à mars 2021, qui comprenaient à la fois une période de faible volatilité et la pandémie de COVID-19. L'orateur poursuit ensuite en expliquant les différentes classes utilisées pour le backtesting et les paramètres testés, y compris les différents niveaux de stop loss. Enfin, le conférencier présente les résultats du backtesting.
  
  
• 00:45:00 Le présentateur discute des résultats de leurs backtesting et front testing d'une stratégie de day trading. Dans la phase de backtesting, ils ont obtenu un rendement net de 3,15 lakhs, ce qui se traduit par un rendement annuel de 52,9 %. Le taux de réussite a été calculé à la fois normalement et normalisé, ce dernier donnant une image plus réaliste. Le ratio net était de 3,78 et la courbe des actions était bien soutenue par une moyenne mobile simple sur trois mois. Cependant, pendant la phase de test préliminaire, la stratégie n'a pas fonctionné comme prévu, ne gagnant que 70 000 roupies en 11 mois, ce qui représente un rendement annuel de 25 %. La courbe des actions était plate, ce qui indique que la stratégie n'est peut-être pas performante actuellement et doit être analysée. Le présentateur partage également leurs principaux défis et apprentissages au cours de ce projet, avec des problèmes majeurs survenant lors de la collecte de données.
  
  
• 00:50:00 L'orateur discute de certains des défis rencontrés lors de l'élaboration d'une stratégie de day trading. L'un des principaux problèmes était d'obtenir des données fiables sur les options intrajournalières, ce qui nécessitait de les acheter auprès de fournisseurs tiers. Un autre défi était le biais d'échantillonnage, car l'analyse ne s'est concentrée que sur les deux dernières années de données, ce qui peut ne pas représenter avec précision la performance globale de la stratégie. En outre, l'orateur a noté un effet de surpeuplement sur le marché, car de nombreux commerçants emploient des stratégies similaires. Le conférencier partage ensuite la raison du choix de développer la stratégie de manière indépendante, ce qui a permis des ajustements personnalisés. Enfin, le conférencier évoque les évaluations en cours de la stratégie et les efforts de diversification pour plus d'efficacité.
  
  
• 00:55:00 L'orateur répond aux questions du public, notamment si le programme est exécuté manuellement ou automatiquement à l'aide de plates-formes cloud, et comment ils ont choisi les actions à vendre à cheval et dans quelle mesure le stop-loss typique était par rapport à la prime. La stratégie ne s'applique qu'à l'indice Nifty et à l'indice Bank Nifty en raison de problèmes de liquidité, et l'orateur nettoie les données par essais et erreurs, rectifiant les changements de format et supprimant les jours avec des erreurs de données.
  
  
• 01:00:00 L'orateur répond à deux questions sur sa stratégie de day trading, y compris le pourcentage de stop loss qu'il a utilisé pour les tests et les défis auxquels il a été confronté en programmation sans formation en génie informatique. Ils discutent de la manière dont ils ont surmonté ces défis avec l'aide du programme EPAT et du mentorat de Quadency. Le conférencier donne également des conseils aux aspirants quants et aux traders algorithmiques, soulignant que bien que la stratégie présentée puisse sembler simple, il est important de faire preuve de prudence et d'une bonne gestion des risques lors de son application dans la pratique.
  
  
• 01:05:00 L'orateur discute de l'importance de diversifier les stratégies de trading et de la façon dont cela peut aider lorsqu'une stratégie est en phase de baisse alors que les autres fonctionnent bien. Il insiste sur la nécessité de tester et de passer du temps avec les stratégies afin de les apprendre et de les combiner de la manière qui fonctionne le mieux. Il fournit une clause de non-responsabilité indiquant qu'il ne s'agit pas de conseils commerciaux et exprime sa gratitude à Visual pour avoir partagé son projet et ses expériences. L'enregistrement de la session sera disponible sur leur chaîne YouTube et les participants recevront un e-mail avec les codes nécessaires et les liens GitHub. L'hôte attend avec impatience des sessions plus intéressantes dans les mois à venir.

[MetaQuotes]

Mise en œuvre du modèle de tarification et de l'allocation dynamique des actifs : webinaire sur le projet Algo Trading

Mise en œuvre du modèle de tarification et de l'allocation dynamique des actifs : webinaire sur le projet Algo Trading

Au cours du webinaire, le présentateur présente le premier orateur, Evgeny Teshkin, un analyste quantitatif senior de Russie. Teshkin présente son projet sur la mise en œuvre d'un modèle de tarification utilisant un filtrage de Kalman adaptatif aux régimes de marché. Il explique que le projet sert d'exemple pédagogique sur la façon d'utiliser les techniques quantitatives d'apprentissage automatique en ligne dans la création de stratégies de développement.

Teshkin met l'accent sur les avantages des techniques d'apprentissage en ligne, qui permettent une automatisation plus poussée et un trading en temps réel, ce qui le rend plus efficace que le recyclage des modèles traditionnels. L'objectif principal de son projet est de créer des stratégies commerciales qui améliorent l'investissement sectoriel simple, avec un accent particulier sur le grand secteur technologique du marché boursier américain, y compris des sociétés comme Facebook, Apple, Netflix, Google, Amazon et Microsoft.

L'orateur poursuit en discutant de l'approche qu'il a utilisée pour mettre en œuvre un modèle de tarification et une allocation d'actifs dynamique pour son projet de trading algo. Il explique qu'il a utilisé des techniques statistiques et quantitatives pour les positions longues uniquement, en sélectionnant les points d'entrée et de sortie et en déterminant les prix sous-évalués ou surévalués par rapport aux autres actions du secteur.

Pour y parvenir, Teshkin a utilisé divers modèles tels que la régression linéaire, l'analyse en composantes principales (ACP) et le filtre de Kalman. Ces modèles ont permis de calculer les résidus et de trouver des coefficients optimaux pour l'écart linéaire statistique entre les stocks corrélés au sein du secteur. Il souligne l'importance de la valeur relative et explique que l'approche d'apprentissage en ligne a utilisé une fenêtre rétrospective d'un an, prenant en compte des données telles que le cours de l'action et l'indice des dentistes.

L'orateur se penche sur les différents modèles qu'il a utilisés pour résoudre les problèmes d'analyse de données dans son projet de trading d'algorithmes. Il mentionne l'utilisation de techniques telles que l'extraction de composantes de variance orthonormales non corrélées, le filtre de Kalman et les modèles de Markov cachés. Il explique comment ces modèles ont été intégrés à son approche et fournit des ressources pour un apprentissage plus approfondi. De plus, il discute des résultats de son projet et partage quelques astuces qu'il a utilisées pour augmenter les positions potentiellement rentables.

Ensuite, l'orateur explique comment il a réussi à battre le marché en achetant et en vendant des actions sur la base de simples cotations et deltas de fin de journée. Il explique que les risques associés à cette stratégie ont été surmontés en utilisant de multiples entrées et sorties déterminées par des techniques de prix relatifs en ligne. Il explore le concept de tarification relative des actions pour déterminer les entrées et les sorties, ainsi que l'utilisation de l'apprentissage automatique en ligne pour créer des modèles de tarification automatisés en temps réel.

L'orateur encourage le public à explorer son projet en ligne, offrant la possibilité de télécharger le code et de le contacter pour d'autres questions. Ils mentionnent également que le webinaire sera enregistré et mis à disposition sur leur chaîne YouTube, ainsi que le fichier de présentation et les liens pertinents. Au cours de la session, l'orateur s'engage avec le public, répond aux questions sur sa participation à des compétitions de trading d'algorithmes et précise si les résultats présentés provenaient de transactions réelles ou simplement de backtesting.

Suite à la présentation, le présentateur du webinaire répond à plusieurs questions des téléspectateurs concernant le projet de trading algo. Ils couvrent des sujets tels que l'utilisation de la régression linéaire pour une corrélation optimale, la performance de la stratégie d'achat et de maintien par rapport à la stratégie de trading optimisée et l'inclusion d'états cachés dans le modèle statistique. Le présentateur fournit des réponses perspicaces, développant les détails du projet et expliquant la prise de décision derrière son approche.

Le webinaire passe ensuite à l'introduction du projet suivant, qui se concentre sur l'allocation dynamique d'actifs à l'aide de réseaux de neurones. L'orateur explique que leur projet vise à construire un système automatisé pour la stratégie "acheter aujourd'hui, vendre demain" sur les valeurs bancaires avec une intervention manuelle minimale. Ils discutent du développement de modèles, de la mise en œuvre de la stratégie et des aspects de gestion des risques de leur projet, en mettant l'accent sur l'utilisation de modèles d'apprentissage en profondeur formés sur des données historiques pour des actions bancaires astucieuses.

L'orateur développe la stratégie, qui consiste à combiner les sorties de différents modèles pour déterminer le rendement attendu de chaque action. Sur la base de ces ratios, les fonds sont répartis entre les actions respectives. La partie gestion des risques du projet traite de questions telles que le coût de transaction et l'automatisation. Le conférencier souligne l'importance d'une gestion efficace des risques dans l'algorithme de trading.

Ensuite, l'orateur fournit des informations supplémentaires sur la stratégie, la gestion des risques et les défis rencontrés lors du développement de l'algorithme de trading. Ils expliquent la mise en œuvre d'une architecture convergente pour le modèle de retour probabiliste et le modèle de retour. La stratégie consiste à calculer le rendement attendu de chaque action et à le diviser par la volatilité du rendement pour obtenir un ratio. Les fonds disponibles sont ensuite alloués proportionnellement aux actions présentant des ratios positifs, tandis que les portefeuilles sont vendus proportionnellement aux pertes attendues. L'algorithme est continuellement mis à jour et des mécanismes stop-loss sont appliqués pour atténuer les risques. Le conférencier reconnaît les défis liés à l'automatisation du processus de mise à jour et mentionne l'absence d'une stratégie de microstructure du marché pour déterminer les prix d'achat ou de vente optimaux.

L'orateur discute ensuite des résultats de leurs efforts de backtesting et de la sélection d'une combinaison de 20 jours comme étant la plus appropriée pour leur modèle. Ils mentionnent également les étapes à venir du projet, notamment l'intégration de scores d'actualités textuels pour les actions bancaires et le développement d'une solution basée sur une application Android pour une automatisation plus poussée. Le public a la possibilité de poser des questions, menant à des discussions sur des sujets tels que les résultats de backtesting et l'utilisation de mécanismes stop-loss dans le modèle. L'orateur partage le fait que les retours de backtesting ont été décents, fournissant environ 5% de modèles sur une période de temps spécifique. Ils mentionnent également une phase de test bêta qui a donné un rendement proche de 10% au cours des six derniers mois.

En réponse à une question du public sur la mise en œuvre d'un stop loss, l'orateur explique qu'ils ont incorporé un stop loss de cinq pour cent de la valeur du portefeuille par valeur d'investissement pour chaque action. Lorsque la perte d'une action atteint cinq pour cent de l'investissement, elle est automatiquement retirée du portefeuille pour limiter la perte maximale à cinq pour cent. L'orateur aborde ensuite les questions concernant la performance de l'allocation d'actifs dynamique par rapport à une simple stratégie d'achat et de conservation. Ils soulignent que l'analyse comparative par rapport à la Nifty Bank a montré des performances raisonnables, proches de 5% de rendement. L'orateur explique également leur décision de se concentrer sur le secteur bancaire en raison de son reflet des conditions générales du marché et mentionne que leur expérience en apprentissage automatique a facilité leur perfectionnement pour le projet.

Suite aux présentations du projet, un participant partage son expérience positive avec EPAT, soulignant sa valeur en termes d'apprentissage théorique et de mise en œuvre pratique. Ils expriment leur appréciation pour avoir acquis une compréhension mathématique des prix des options et des contrats à terme et félicitent le système de soutien du programme et le responsable de la performance dédié, qui ont fourni des conseils précieux. Bien que le cours ait été difficile, le participant pense qu'il était essentiel pour sa croissance personnelle et professionnelle. Ils encouragent les commerçants en herbe à explorer et à élargir leurs connaissances au-delà de leurs forces actuelles, car ils deviendront progressivement des adeptes des opérations commerciales.

Dans la dernière partie, les intervenants soulignent l'importance d'appliquer le plus rapidement possible les connaissances acquises dans des scénarios réels. Ils recommandent d'utiliser le cours iPad pour les expériences de trading quotidiennes, facilitant l'apprentissage et la croissance continus. Le webinaire se termine par une gratitude envers les conférenciers et le public, ainsi qu'une demande de suggestions de sujets pour les futurs webinaires.

• 00:00:00 Le présentateur du webinaire présente le premier orateur, Evgeny Teshkin, un analyste quantitatif senior de Russie, qui présente son projet sur la mise en œuvre d'un modèle de tarification utilisant le filtrage de Kalman adapté aux régimes du marché. Teshkin explique que le projet est un exemple pédagogique de la façon d'utiliser des techniques quantitatives d'apprentissage automatique en ligne dans la création de stratégies de développement. Il souligne que la technique d'apprentissage en ligne permet une automatisation plus poussée et un trading en temps réel, ce qui est plus efficace que le recyclage des modèles traditionnels. L'objectif du projet est de créer des stratégies commerciales qui améliorent l'investissement sectoriel simple, en se concentrant sur le grand secteur technologique du marché boursier américain, tel que Facebook, Apple, Netflix, Google, Amazon et Microsoft.
  
  
• 00:05:00 L'orateur explique son approche de mise en œuvre d'un modèle de tarification et d'allocation d'actifs dynamique pour un projet de trading algo. L'approche impliquait l'utilisation de techniques statistiques ou quantitatives pour les positions longues uniquement, la détection des points d'entrée et de sortie et la détermination des prix sous-évalués ou surévalués par rapport aux autres actions du secteur. L'orateur a utilisé la régression linéaire, l'analyse en composantes principales et les modèles de filtre de Kalman pour calculer les résidus et trouver les coefficients optimaux pour l'écart statistique linéaire entre les actions corrélées du secteur. Le point clé était la valeur relative de l'action, et l'apprentissage en ligne avait une fenêtre rétrospective d'un an en utilisant des données telles que le cours de l'action et l'indice des dentistes.
  
  
• 00:10:00 L'orateur discute de différents modèles qu'il a utilisés pour résoudre des problèmes d'analyse de données pour son projet de trading d'algo, y compris l'extraction de composantes de variance orthonormales non corrélées, le filtre de Kalman et les modèles de Markov cachés. Il explique comment il utilise ces modèles dans son approche et fournit des ressources pour un apprentissage plus approfondi. De plus, il discute des résultats de son projet et des astuces qu'il a utilisées pour augmenter les positions potentiellement rentables.
  
  
• 00:15:00 L'orateur discute de l'approche utilisée pour battre le marché en achetant et en vendant des actions sur la base de simples cotations et deltas de fin de journée. Ils expliquent également comment ils ont réussi à surmonter les risques associés à cette stratégie en utilisant de multiples entrées et sorties déterminées par des techniques de prix relatifs en ligne. Le concept d'utilisation de la tarification relative des actions pour déterminer les entrées et les sorties est exploré, ainsi que l'utilisation de l'apprentissage automatique en ligne pour créer des modèles de tarification automatisés en temps réel. L'orateur encourage le public à consulter son projet en ligne et à se sentir libre de télécharger son code et de le contacter pour d'autres questions. Le webinaire sera enregistré et mis à disposition sur la chaîne YouTube, ainsi que le fichier de présentation et les liens. L'orateur répond également aux questions du public sur leur participation à des compétitions de trading d'algo et si les résultats présentés provenaient de transactions réelles ou simplement de backtesting.
  
  
• 00:20:00 Le présentateur du webinaire répond à plusieurs questions des téléspectateurs sur leur projet de trading algo. Un téléspectateur a posé des questions sur l'utilisation de la régression linéaire pour une corrélation optimale avec la cible VR, le présentateur expliquant que les entrées du modèle de régression étaient simplement des deltas de prix pour d'autres actions. Un autre téléspectateur a demandé pourquoi la stratégie d'achat et de conservation semblait fonctionner le mieux, à laquelle le présentateur a répondu que même si elle pouvait fournir le profit le plus total, l'objectif du projet était de vaincre le risque et le rendement ajusté au risque était en fait plus élevé. pour la stratégie de trafic optimisée. Le présentateur a également abordé une question sur les états cachés dans le modèle statistique utilisé dans le projet.
  
  
• 00:25:00 L'orateur explique les états et les fonctionnalités qu'il a utilisés pour son analyse lors du développement d'un projet de trading algo. Il a choisi deux à trois états comme régimes de marché, calculés par des paramètres tels que les deltas de prix pour les ETF sectoriels et les grands deltas comme indicateurs de marché observables. Les caractéristiques qu'il a utilisées étaient simples, telles que les deltas de prix et leurs moyennes mobiles, et il a également extrait les première et deuxième composantes de ces deltas pour la régression linéaire. En termes de sélection des principales composantes à utiliser pour l'ACP, la stratégie consistait à utiliser la première et au moins une autre composante, car elles expliquent la plupart des variations dans le secteur. L'orateur mentionne également que si la prévision de la volatilité est un autre domaine à explorer, ce projet s'est concentré sur la prévision des prix pour améliorer le risque de trading.
  
  
• 00:30:00 Le présentateur répond à quelques questions du public. Une question est de savoir si le modèle de tarification a été backtesté sur d'autres instruments tels que la crypto ou le forex, auquel le présentateur explique qu'ils ne l'ont pas encore fait, mais que les concepts pourraient être appliqués à une variété d'instruments financiers. Une autre question est de savoir si le trading à terme est plus facile à prévoir que les actions en utilisant l'apprentissage automatique, et le présentateur explique que cela dépend du modèle, mais que les principes sont les mêmes et recommande de le garder simple pour éviter le surajustement. Le présentateur présente ensuite le projet suivant, qui porte sur l'allocation dynamique d'actifs à l'aide de réseaux de neurones.
  
  
• 00:35:00 Le présentateur discute de son projet sur "l'allocation d'actifs dynamique à l'aide de réseaux de neurones" visant à construire un système automatisé pour la stratégie "acheter aujourd'hui, vendre demain" sur les valeurs bancaires avec une intervention manuelle minimale. La solution comprend des parties de développement de modèles, de stratégie et de gestion des risques. Le développement de modèles implique de développer un ensemble de trois modèles d'apprentissage en profondeur, dont un modèle probabiliste et deux modèles basés sur le rendement, en les entraînant sur cinq années de données pour 12 actions bancaires astucieuses. La stratégie consiste à combiner les résultats de ces modèles pour arriver à un rendement attendu de l'action, puis à répartir les fonds entre les actions respectives en fonction de ratios. Enfin, la partie gestion des risques comprend la gestion de problèmes tels que le coût des transactions et l'automatisation.
  
  
• 00:40:00 L'orateur explique la stratégie, la gestion des risques et les défis auxquels ils ont été confrontés lors du développement de leur algorithme de trading. Ils ont utilisé une architecture convergente pour construire à la fois leur modèle de retour probabiliste et leur modèle de retour. La stratégie consistait à calculer le rendement attendu de chaque action et à le diviser par la volatilité du rendement pour obtenir un ratio. Ils répartissaient alors leurs liquidités disponibles au prorata des ratios s positifs et vendaient les portefeuilles au prorata des pertes attendues. L'algorithme a été mis à jour dynamiquement et ils ont appliqué des stop-loss aux actions. Un défi consistait à automatiser le processus de mise à jour, et un autre était de ne pas avoir de stratégie de microstructure du marché pour suggérer le meilleur prix d'achat ou de vente.
  
  
• 00:45:00 L'orateur discute des résultats de leur backtesting et de la manière dont ils sont arrivés à utiliser une combinaison de 20 jours comme étant la plus appropriée pour leur modèle. Ils mentionnent également les étapes à venir telles que l'intégration des scores d'actualités textuelles pour les actions bancaires et l'automatisation supplémentaire du modèle dans une solution basée sur une application Android. L'orateur répond également aux questions du public, y compris des questions sur les résultats du backtesting et l'utilisation du stop loss dans leur modèle. Les retours de backtesting ont été décents, donnant des modèles d'environ 5% sur une période de temps, et les tests bêta ont donné un retour de près de 10% au cours des six derniers mois.
  
  
• 00:50:00 L'orateur explique qu'ils ont mis en place un stop loss de cinq pour cent de la valeur du portefeuille par valeur d'investissement sur le stock. Lorsqu'une action perd cinq pour cent de ce qui y est investi, elle est retirée du portefeuille pour limiter la perte maximale à cinq pour cent pour n'importe quelle action. L'orateur répond ensuite aux questions de savoir si l'allocation d'actifs dynamique fonctionne mieux que le simple achat et conservation, et ils expliquent qu'ils l'ont comparé à la Nifty Bank et ont constaté qu'il fonctionnait raisonnablement bien, près de 5 %. L'orateur explique également qu'ils n'ont pas utilisé le réglage hybride des paramètres pour le réseau de neurones, et qu'ils ont choisi le sujet du projet pour combiner l'apprentissage en profondeur et le trading, en se concentrant sur le secteur bancaire car le marché reflète l'état des banques. Ils mentionnent également que leur expérience en apprentissage automatique les a aidés à améliorer leurs compétences pour le projet.
  
  
• 00:55:00 Un participant partage son expérience positive avec EPAT, déclarant qu'il a été utile en termes d'apprentissage théorique et de mise en œuvre pratique. Ils notent que cela les a aidés à acquérir une compréhension mathématique de la façon dont les options et les contrats à terme sont évalués. Le participant fait également l'éloge du système de soutien du programme et du responsable de la performance dévoué qui a aidé à suivre leurs progrès. Bien qu'ils aient trouvé le cours difficile, ils croient qu'il était important pour leur croissance en tant que créateur et professionnel. Les commerçants en herbe sont encouragés à explorer et à ne pas se limiter à leurs forces actuelles, car ils finiront par comprendre comment les choses fonctionnent.
  
  
• 01:00:00 Les intervenants mettent l'accent sur la valeur des connaissances pratiques par rapport aux connaissances théoriques et exhortent les participants à appliquer ce qu'ils ont appris dans la vie réelle aussi vite que possible. Ils recommandent d'utiliser le cours iPad pour des expériences quotidiennes avec le trading afin d'aider les participants à se développer en mettant en œuvre et en apprenant davantage. Le webinaire se termine par un remerciement aux conférenciers et au public et une demande de suggestions de sujets pour les futurs webinaires.

[MetaQuotes]

Application de l'apprentissage automatique au trading par Ishan Shah et Rekhit Pachanekar | Algo Trading Week Jour 7

Application de l'apprentissage automatique au trading par Ishan Shah et Rekhit Pachanekar | Algo Trading Week Jour 7

Ishan Shah et Rekhit Pachanekar, les présentateurs du webinaire, commencent par se présenter et expriment leur enthousiasme pour le dernier jour de la semaine de trading algo. Ils annoncent les gagnants du concours de trading algo et saluent leurs réalisations. Ils mentionnent que la présentation de la journée portera sur l'apprentissage automatique et ses applications dans le commerce. Ils informent également le public qu'il y aura une séance de questions-réponses à la fin de la présentation.

Rekhit Pachanekar prend l'initiative de lancer le webinaire et plonge dans les bases de l'apprentissage automatique. Il utilise la reconnaissance d'image comme exemple pour expliquer comment l'apprentissage automatique permet aux algorithmes d'apprendre à partir des données et de prendre des décisions sans programmation poussée. Il aborde ensuite le rôle de l'apprentissage automatique dans le trading et l'investissement, en particulier dans la création de portefeuilles d'investissement personnalisés basés sur divers points de données tels que le salaire, la profession et la région. L'apprentissage automatique aide également à attribuer des pondérations aux actifs d'un portefeuille et aide à développer des stratégies de trading. Pachanekar met en évidence la vitesse et les capacités d'analyse des données de l'apprentissage automatique, qui sont utilisées par les fonds spéculatifs, les fonds de pension et les fonds communs de placement pour les décisions d'investissement et de négociation.

Pour aller de l'avant, Ishan Shah et Rekhit Pachanekar se penchent sur les sept étapes impliquées dans la construction d'un modèle d'apprentissage automatique pour le trading. Ils soulignent que même les commerçants individuels peuvent tirer parti de la technologie d'apprentissage automatique pour créer leurs propres stratégies de trading. La première étape dont ils discutent consiste à définir l'énoncé du problème, qui peut aller d'un désir général de rendements positifs à des objectifs plus spécifiques comme déterminer le bon moment pour investir dans une action particulière telle que JP Morgan. La deuxième étape consiste à acquérir des données de bonne qualité, en s'assurant qu'il n'y a pas de valeurs manquantes ou en double et pas de valeurs aberrantes. Les présentateurs soulignent l'importance de la qualité des données dans la construction d'un modèle d'apprentissage automatique précis.

Shah et Pachanekar expliquent ensuite le processus de sélection des variables d'entrée et de sortie pour un modèle d'apprentissage automatique dans le commerce. Ils mettent en évidence la variable de sortie, ou la variable cible, qui représente le rendement futur d'un titre. Ils mentionnent qu'une variable de signal se voit attribuer une valeur de 1 lorsque les rendements futurs sont prédits positifs et de 0 lorsqu'ils sont prédits négatifs. Les variables d'entrée, ou caractéristiques, doivent posséder un pouvoir prédictif et répondre à l'exigence de stationnarité, ce qui signifie qu'elles présentent une variance moyenne et constante. Ils soulignent que des variables telles que open, low, high et close ne sont pas stationnaires et ne peuvent pas être utilisées comme caractéristiques d'entrée.

Ensuite, les présentateurs discutent de la sélection des fonctionnalités d'entrée pour leur modèle d'apprentissage automatique dans le trading. Ils expliquent le besoin d'entités d'entrée stationnaires et y parviennent en utilisant des valeurs de pourcentage de changement pour différentes périodes de temps. Ils soulignent également l'importance d'éviter la corrélation entre les variables d'entrée et démontrent l'utilisation d'une carte thermique de corrélation pour identifier et éliminer les caractéristiques hautement corrélées. La sélection finale des caractéristiques d'entrée comprend des valeurs de variation en pourcentage pour différentes périodes, le RSI (Relative Strength Index) et la corrélation. Avant d'utiliser le modèle pour le trading en direct, ils ont divisé l'ensemble de données en ensembles d'entraînement et de test pour évaluer ses performances.

L'importance d'assurer la qualité et la pertinence des ensembles de données utilisés dans les modèles d'apprentissage automatique est soulignée par les intervenants. Ils introduisent le concept d'arbres de décision et s'enquièrent des processus décisionnels personnels des participants lorsqu'il s'agit d'acheter des actions ou des actifs, en mentionnant des réponses allant d'indicateurs techniques aux recommandations d'amis. Ils affirment la nécessité d'établir un modèle mental de prise de décision basé sur des expériences personnelles lors de l'utilisation de telles fonctionnalités. Ils présentent les forêts aléatoires comme un moyen de surmonter les problèmes de surajustement et expliquent l'utilisation des arbres bayésiens comme base des arbres de décision.

Shah et Pachanekar expliquent comment les algorithmes d'apprentissage automatique, en particulier les arbres de décision, peuvent être utilisés pour créer des règles de trading. Ces règles, intégrant des indicateurs techniques comme l'ADX (Average Directional Index) et le RSI, permettent aux traders de prendre des décisions basées sur des conditions prédéfinies. Pour s'assurer que ces règles ne reposent pas uniquement sur la chance, les présentateurs introduisent le concept de forêt aléatoire. Ils expliquent qu'une forêt aléatoire combine plusieurs arbres de décision pour créer une stratégie commerciale plus généralisée et plus fiable. En sélectionnant au hasard un sous-ensemble de caractéristiques pour chaque arbre, la forêt aléatoire réduit les risques de surajustement et fournit des prédictions plus précises. Les présentateurs discutent de divers paramètres requis pour l'algorithme de forêt aléatoire, y compris le nombre d'estimateurs, les caractéristiques maximales et la profondeur maximale de l'arbre.

Ensuite, les présentateurs se penchent sur la mise en œuvre d'un classificateur de forêt aléatoire pour appliquer l'apprentissage automatique dans le commerce. Ils soulignent l'importance de contrôler la profondeur de l'arbre de décision et de sélectionner au hasard des caractéristiques pour éviter le surajustement et assurer des résultats cohérents. Le classificateur de forêt aléatoire apprend des règles à partir des caractéristiques d'entrée et des sorties attendues, qui sont ensuite utilisées pour faire des prédictions sur des données invisibles. Ils mentionnent également que les performances du modèle peuvent être mesurées à l'aide de diverses mesures.

Les présentateurs discutent ensuite de l'importance d'évaluer l'efficacité d'un modèle d'apprentissage automatique avant de faire des investissements en argent réel sur la base de ses recommandations. Ils introduisent le concept de précision, qui consiste à vérifier si les prédictions du modèle correspondent aux résultats réels du marché. Ils soulignent que la précision d'un modèle varie généralement de 50 % à 60 % et avertissent qu'un taux de précision élevé ne garantit pas de bons résultats. Ils suggèrent d'utiliser une matrice de confusion pour comparer les étiquettes réelles et prédites et calculer les mesures de performance telles que la précision, le rappel et le score F1 pour évaluer les performances du modèle.

En détail, la précision du modèle est discutée en profondeur et un sondage est effectué pour établir son taux de précision, qui est calculé à 60 %. Cependant, lorsqu'il est vérifié par étiquette, la précision du signal long tombe à 33 %. Cela soulève la question de savoir si une augmentation de la précision globale se traduira par un modèle commercial rentable. Les présentateurs soulignent que la précision est un facteur crucial pour déterminer l'efficacité d'un modèle à prédire le marché. Ils soulignent qu'une précision globale élevée ne conduit pas nécessairement à la rentabilité et que d'autres facteurs doivent être pris en compte.

Shah et Pachanekar se concentrent ensuite sur la discussion de différentes mesures utilisées pour évaluer les performances d'un modèle de trading, notamment la précision, le rappel et le score F1. Ils notent que si le rappel peut aider à surmonter les problèmes de données déséquilibrées, il peut être une mesure peu fiable lorsqu'il est utilisé seul. Au lieu de cela, ils recommandent d'utiliser une combinaison de précision et de rappel pour calculer le score F1, qui fournit une évaluation plus complète des performances du modèle. Ils soulignent l'importance du backtesting du modèle pour garantir son efficacité dans des scénarios de trading réels et mettent en garde contre le surajustement du modèle.

Les présentateurs abordent les problèmes de surajustement dans des contextes réels et suggèrent des stratégies pour y faire face en fonction du modèle d'apprentissage automatique spécifique utilisé. Ils soulignent l'importance de comprendre les paramètres du modèle, de limiter le nombre de fonctionnalités et de travailler sur différents hyperparamètres pour chaque type de modèle d'apprentissage automatique. Ils soulignent l'importance d'utiliser des données du monde réel sans manipulation. De plus, ils discutent des applications de l'apprentissage automatique dans le trading au-delà de la génération de signaux, comme son potentiel dans la gestion des risques. Ils abordent également l'utilisation d'algorithmes de clustering pour identifier les opportunités rentables sur le marché.

Ishan Shah et Rekhit Pachanekar concluent le webinaire en discutant des avantages de l'utilisation de l'apprentissage automatique dans le trading, en particulier pour déchiffrer des modèles complexes qui peuvent être difficiles à identifier pour les humains. Ils suggèrent d'utiliser l'apprentissage automatique comme outil complémentaire dans le processus d'identification alpha. La session se termine avec les présentateurs exprimant leur gratitude aux conférenciers et aux participants de l'Algo Trading Week, et ils invitent toutes les questions sans réponse à soumettre par le biais de l'enquête.

• 00:00:00 Les présentateurs, Ishan Shah et Rekhit Pachanekar, se présentent et discutent du dernier jour de la semaine de trading algo. Ils mettent en lumière les gagnants du concours de trading d'algo et présentent les deux conférenciers de la journée. Ils mentionnent que la présentation portera sur l'apprentissage automatique et qu'il y aura une session de questions-réponses à la fin. Rekhit Pachanekar commencera le webinaire puis le transmettra à Ishan Shah.
  
  
• 00:05:00 La vidéo présente les bases de l'apprentissage automatique, en utilisant la reconnaissance d'images comme exemple. L'apprentissage automatique permet aux algorithmes d'apprendre à partir des données et de prendre des décisions, contrairement aux programmes informatiques conventionnels qui nécessitent une programmation poussée. La vidéo explique ensuite le rôle de l'apprentissage automatique dans le commerce et l'investissement, en particulier dans la création de portefeuilles d'investissement pour les individus en fonction de données telles que le salaire, la profession, la région, etc. L'apprentissage automatique attribue également des pondérations aux actifs d'un portefeuille et aide à créer des stratégies de négociation. . Les fonds spéculatifs, les fonds de pension et les fonds communs de placement utilisent la vitesse et la capacité de l'apprentissage automatique à analyser de grandes quantités de données pour les décisions d'investissement et de négociation.
  
  
• 00:10:00 Les présentateurs discutent des sept étapes pour créer un modèle d'apprentissage automatique (ML) pour le trading et comment même les commerçants individuels peuvent utiliser la technologie ML pour créer leurs propres stratégies de trading. La première étape consiste à définir l'énoncé du problème qui peut être aussi simple que de vouloir obtenir des rendements positifs, mais avec un raffinement supplémentaire, il peut devenir plus spécifique, comme déterminer le bon moment pour investir dans une action particulière comme JP Morgan. La deuxième étape consiste à obtenir des données de bonne qualité et à s'assurer qu'il n'y a pas de valeurs manquantes ou en double, ainsi qu'aucune valeur aberrante dans les données. Les présentateurs soulignent l'importance de la qualité des données dans la construction d'un modèle ML précis.
  
  
• 00:15:00 Ishan Shah et Rekhit Pachanekar expliquent le processus de sélection des variables d'entrée et de sortie pour un modèle d'apprentissage automatique dans le trading. La variable de sortie, ou la variable cible, est le rendement futur d'une action, et une variable de signal se voit attribuer une valeur de 1 lorsque les rendements futurs sont prédits positifs et 0 lorsqu'ils sont prédits négatifs. Les variables d'entrée, ou caractéristiques, doivent avoir un pouvoir prédictif et répondre à l'exigence de stationnarité, ce qui signifie qu'elles ont une variance moyenne et constante qui oscille d'avant en arrière comme un pendule. Les variables open, low, high et close ne sont pas stationnaires, elles ne peuvent donc pas être utilisées comme entités en entrée.
  
  
• 00:20:00 Les conférenciers discutent du processus de sélection des fonctionnalités d'entrée pour leur modèle d'apprentissage automatique dans le trading. Ils notent que le modèle nécessite des caractéristiques d'entrée stationnaires, qu'ils obtiennent en prenant des valeurs de pourcentage de changement pour différentes périodes. Ils soulignent également l'importance d'éviter la corrélation entre les variables d'entrée et utilisent une carte thermique de corrélation pour supprimer les caractéristiques fortement corrélées. La sélection finale des caractéristiques d'entrée comprend des valeurs de variation en pourcentage pour différentes périodes de temps, RSI et corrélation. Avant d'utiliser le modèle pour le trading en direct, ils ont divisé leur ensemble de données en ensembles d'entraînement et de test pour évaluer les performances du modèle.
  
  
• 00:25:00 Les intervenants discutent de l'importance d'assurer la qualité et la pertinence des ensembles de données utilisés dans les modèles d'apprentissage automatique avant de déterminer quel modèle utiliser. Ils introduisent également le concept d'arbres de décision et demandent aux participants comment ils décident personnellement d'acheter ou non une action ou un actif particulier, avec des réponses allant d'indicateurs techniques aux recommandations d'amis. Les conférenciers déclarent qu'il est important d'établir un modèle mental de prise de décision basé sur des expériences personnelles lors de l'utilisation de telles fonctionnalités. Ils introduisent le concept de forêts aléatoires et l'utilisation d'arbres bayésiens comme base pour les arbres de décision.
  
  
• 00:30:00 Les conférenciers expliquent comment utiliser des algorithmes d'apprentissage automatique, en particulier un arbre de décision, pour créer des règles de trading. Ces règles, qui pourraient inclure des indicateurs techniques comme l'ADX et le RSI, permettent aux traders de prendre des décisions en fonction de conditions prédéfinies. Pour s'assurer que ces règles ne sont pas créées uniquement sur la base de la chance, les conférenciers introduisent le concept d'une forêt aléatoire, qui utilise plusieurs arbres de décision pour créer une stratégie de trading plus généralisée et plus fiable. En sélectionnant un sous-ensemble de caractéristiques au hasard pour chaque arbre, la forêt aléatoire réduit les risques de surajustement et fournit une prédiction plus précise. Les conférenciers discutent des différents paramètres requis pour l'algorithme de forêt aléatoire, notamment le nombre d'estimateurs, les caractéristiques maximales et la profondeur maximale de l'arbre.
  
  
• 00:35:00 Les intervenants discutent des paramètres et du code impliqués dans la mise en œuvre d'un classificateur de forêt aléatoire pour appliquer l'apprentissage automatique au trading. Ils expliquent l'importance de contrôler la profondeur de l'arbre de décision et de sélectionner aléatoirement des caractéristiques pour éviter le surajustement et assurer des résultats cohérents. Le classificateur de forêt aléatoire nécessite des caractéristiques d'entrée et des sorties attendues pour apprendre des règles et créer des arbres de décision qui sont ensuite utilisés pour faire des prédictions sur des données invisibles. Les performances du modèle peuvent être mesurées à l'aide de divers paramètres.
  
  
• 00:40:00 Les présentateurs discutent de l'importance d'évaluer l'efficacité d'un modèle d'apprentissage automatique avant d'investir de l'argent réel sur la base de ses recommandations. Ils introduisent le concept de précision, qui consiste à vérifier si les prédictions du modèle correspondent à ce qui s'est réellement passé sur le marché. Ils soulignent que la précision d'un modèle varie généralement de 50 % à 60 % et qu'un taux de précision élevé ne garantit pas nécessairement de bons résultats. Pour déterminer les performances d'un modèle, les présentateurs suggèrent d'utiliser une matrice de confusion pour comparer les étiquettes réelles et prédites et calculer les mesures de performance telles que la précision, le rappel et le score F1.
  
  
• 00:45:00 La précision du modèle est discutée en détail, avec un sondage réalisé pour l'établir. La précision du modèle est calculée à 60 %, bien que, lorsqu'elle est vérifiée au niveau de l'étiquette, la précision du signal long tombe à 33 %. Cela soulève la question de savoir si une augmentation de la précision se traduira par un modèle commercial rentable. La précision du modèle est importante car elle aide à déterminer son efficacité à prédire le marché, et dans ce cas, une précision globale élevée ne conduit pas nécessairement à la rentabilité.
  
  
• 00:50:00 Shah et Pachanekar discutent des différentes mesures utilisées pour évaluer les performances d'un modèle de trading, telles que la précision, le rappel et le score F1. Ils notent que si le rappel peut aider à surmonter les problèmes de données déséquilibrées, il peut également être une mesure non fiable en soi. Au lieu de cela, ils recommandent d'utiliser une combinaison de précision et de rappel pour calculer le score F1. Ce score peut facilement être construit à l'aide d'une matrice de confusion, et un score F1 élevé indique un modèle digne d'être échangé. Ils discutent également de l'importance de tester le modèle pour s'assurer qu'il fonctionne bien dans la pratique et mettent en garde contre le surajustement du modèle.
  
  
• 00:55:00 Les modèles peuvent sur-ajuster, ce qui signifie qu'ils sont trop proches des données d'apprentissage et peuvent ne pas fonctionner correctement sur de nouvelles données. D'autre part, la sur-optimisation est le résultat de backtesting répétés et d'ajustements d'une stratégie de trading pour obtenir le résultat souhaité. Cela peut conduire à trouver un cas particulier qui fonctionne bien sur les données de formation et de test, mais peut ne pas fonctionner sur les données en direct. Pour éviter une sur-optimisation, il est important de disposer de modèles robustes qui fonctionnent sur plusieurs classes d'actifs, d'utiliser des outils de gestion des risques tels que des mécanismes de stop-loss, et de ne pas sur-adapter ou sur-optimiser pendant le backtesting.
  
  
• 01:00:00 Le surajustement se produit lorsque le modèle tente de s'adapter trop étroitement à l'ensemble de données d'entraînement, ce qui est indiqué par un taux de précision élevé sur les données d'entraînement. D'autre part, le sous-ajustement se produit lorsque le modèle ne peut pas apprendre des données comme prévu, comme en témoigne un taux de précision très faible. Une façon de quantifier cela consiste à mesurer le taux de précision du modèle, avec un taux de précision de 100 indiquant un surajustement et un taux de précision très faible indiquant un sous-ajustement.
  
  
• 01:05:00 Les conférenciers abordent le problème du surajustement dans des contextes réels et suggèrent des moyens de le gérer en fonction du modèle spécifique utilisé. Ils soulignent l'importance de comprendre les paramètres du modèle, de limiter le nombre de fonctionnalités et de travailler sur différents hyperparamètres pour chaque type de modèle d'apprentissage automatique. Ils déclarent également qu'il est essentiel de travailler avec des données du monde réel et de ne pas les manipuler. De plus, ils discutent des applications de l'apprentissage automatique dans le trading, remarquant que c'est bien mieux que de simplement générer des signaux et qu'il a beaucoup de place dans la gestion des risques. Enfin, ils abordent la découverte de signaux alpha avec des modèles d'apprentissage automatique en utilisant des algorithmes de clustering pour identifier les pôles rentables sur le marché.
  
  
• 01:10:00 Ishan Shah et Rekhit Pachanekar discutent des avantages de l'utilisation de l'apprentissage automatique dans le trading, en particulier pour déchiffrer des modèles complexes que les humains peuvent avoir du mal à identifier. L'apprentissage automatique peut produire des alphas plus durables et plus robustes qui se dégradent sur une plus longue période de temps plutôt qu'immédiatement. Ils suggèrent d'utiliser l'apprentissage automatique en complément du processus d'identification alpha. La session se termine par un remerciement aux conférenciers et aux participants de l'Algo Trading Week, et une invitation à poser toutes les questions restées sans réponse dans le sondage.