Trading Quantitatif - page 24

[MetaQuotes]

L'intelligence artificielle dans le trading par le Dr Thomas Starke | Algo Trading Week Jour 6

L'intelligence artificielle dans le trading par le Dr Thomas Starke | Algo Trading Week Jour 6

Le Dr Thomas Starke, un conférencier éminent, explique pourquoi l'IA est considérée comme la prochaine grande chose dans le commerce lors de sa présentation. Il reconnaît que l'IA et l'apprentissage automatique existent depuis longtemps, mais en raison d'une puissance de calcul limitée, leur application efficace était difficile. Cependant, les récents progrès technologiques ont considérablement amélioré les capacités de calcul, permettant à des algorithmes substantiels de s'exécuter efficacement sur les ordinateurs portables et dans les centres de serveurs grâce au cloud computing. Le Dr Starke souligne les succès de l'IA dans divers domaines, tels que la reconnaissance faciale, la reconnaissance d'images et le traitement du langage naturel, qui ont contribué à la conviction que l'IA peut également révolutionner la finance.

Le Dr Starke souligne que l'IA et l'apprentissage automatique ne sont pas des solutions miracles, mais des outils scientifiques et mathématiques qui nécessitent une compréhension et une application approfondies dans le domaine de la finance. Bien que la finance ait des aspects scientifiques, elle est principalement considérée comme une forme d'art. Par conséquent, pour exploiter le potentiel de l'IA dans la finance, il faut saisir à la fois les outils et l'art du domaine.

Au cours de son discours, le Dr Starke aborde le rôle du développement de logiciels et des compétences en programmation aux côtés de l'apprentissage automatique et des connaissances statistiques dans l'application de l'IA au trading. Il souligne l'importance de solides compétences logicielles, y compris l'écriture d'API et la garantie de sécurité système, comme étant essentielles pour utiliser efficacement les outils d'apprentissage automatique sur le marché. Il soutient que si les outils d'apprentissage automatique sont conviviaux, les compétences en programmation et les connaissances statistiques sont essentielles pour les praticiens dans ce domaine. En outre, il aborde la question de savoir si un doctorat est nécessaire pour utiliser des algorithmes d'apprentissage automatique et affirme qu'il n'est pas essentiel tant que les individus ont des objectifs spécifiques, mènent des recherches approfondies et sont prêts à faire le travail nécessaire.

L'importance du mentorat dans l'apprentissage de l'IA pour le trading est un autre sujet abordé par le Dr Starke. Il souligne que trouver un bon mentor peut aider les débutants à éviter les erreurs courantes et à développer des connaissances pratiques plutôt que de se fier uniquement aux connaissances théoriques acquises dans les établissements universitaires. Le Dr Starke souligne que n'importe qui peut apprendre l'IA, mais avoir un mentor qui peut fournir des conseils appropriés est inestimable. Il souligne également que la compréhension des marchés et de l'économie sous-jacents est plus cruciale que les compétences en programmation, car la programmation peut être apprise avec un mentorat approprié.

Au cours de sa présentation, le Dr Starke a également souligné l'importance de l'apprentissage de la programmation et des méthodes quantitatives dans l'industrie commerciale d'aujourd'hui. Il souligne que les traders qui réussissent possèdent souvent une solide compréhension des mathématiques et de la programmation, et que ceux qui s'intéressent au trading peuvent acquérir ces compétences assez rapidement. Il souligne que les traders qui investissent du temps dans l'apprentissage des méthodes quantitatives et de l'apprentissage automatique ont de meilleures chances de survie lors de la transition du trading sur écran au trading algorithmique. Cependant, il souligne qu'il est crucial d'avoir un avantage économique et commercial et qu'il dépasse l'avantage obtenu grâce aux seules compétences en programmation et en mathématiques. Il mentionne également que l'apprentissage en profondeur oblige les entreprises et les particuliers à expliquer leurs rendements, et faire face à une année de rendements négatifs peut poser des défis importants.

L'explication des algorithmes d'IA et des pratiques de gestion des risques est également abordée par le Dr Starke. Il souligne l'importance de pouvoir expliquer les algorithmes d'IA, car ne pas le faire peut entraîner des problèmes, voire des retraits de fonds. Il mentionne que malgré l'utilisation de l'IA et de l'apprentissage automatique, les pratiques de gestion des risques restent largement inchangées, mais il est nécessaire d'explorer de nouvelles façons de gérer les risques, en particulier avec la fin de la course haussière des actions et des obligations. Le Dr Starke souligne que l'apprentissage automatique est omniprésent dans le commerce, avec diverses applications telles que la génération de signaux d'entrée et la gestion du risque des modèles d'apprentissage automatique.

Le Dr Starke se penche sur les différents modèles et technologies utilisés dans le trading, tels que l'analyse en composantes principales (ACP), les arbres de décision, xgboost, l'apprentissage en profondeur et l'apprentissage par renforcement. Il discute de leurs applications dans l'analyse des données de signal, la gestion du risque de portefeuille et l'exécution de transactions. Il souligne également l'importance des systèmes de gestion des risques pour augmenter les rendements géométriques et reproduire les stratégies réussies sur d'autres marchés. Le Dr Starke suggère que de bons systèmes de gestion des risques peuvent même générer de l'alpha et être considérés comme des stratégies de volatilité longue.

De plus, le Dr Starke explore comment l'IA peut être utilisée pour couvrir et gérer le risque des stratégies de volatilité courte dans le trading, améliorant potentiellement l'alpha généré par ces stratégies. Il met l'accent sur l'importance de la curiosité et d'une saine appréciation du risque dans l'apprentissage continu et le développement de nouvelles stratégies de trading. Il déconseille de s'appuyer sur des plateformes de trading prêtes à l'emploi et encourage plutôt les stratégies de codage à partir de zéro pour obtenir un avantage d'apprentissage en profondeur.

Le Dr Starke s'engage dans une discussion sur les mouvements de prix basés sur le temps par rapport aux mouvements de marché basés sur les prix. Il explique que les mouvements de prix basés sur le temps peuvent être résolus mathématiquement en calculant des indicateurs, tandis que les mouvements de marché basés sur les prix sont déterminés par l'économie sous-jacente du marché. Le Dr Starke souligne l'importance de prendre en compte le raisonnement économique sous-jacent d'une stratégie de trading plutôt que de s'appuyer uniquement sur des techniques mathématiques pour surperformer les marchés. Il recommande les livres de Marcus Lopez, Grinnell et Kahn pour ceux qui souhaitent combiner l'IA avec des modèles quantitatifs sur les marchés financiers.

Au cours de la présentation, le Dr Starke a souligné l'importance de comprendre les principes de modélisation factorielle, qui, selon lui, sont similaires aux principes d'apprentissage automatique. Il suggère que la compréhension de ces principes peut mieux équiper les commerçants pour appliquer efficacement l'apprentissage automatique dans leurs systèmes. Le Dr Starke souligne également l'importance de définir ce qui constitue une bonne stratégie de trading, car ce n'est pas toujours la plus rentable. Il fait référence aux livres de Ralph Vince, Andreas Klenow et M. Trendful, qui fournissent des informations précieuses sur les stratégies de trading et la psychologie derrière le trading.

Le Dr Starke explique comment l'IA et l'apprentissage automatique peuvent capturer les non-linéarités de la finance comportementale, comme le concours de beauté keynésien. Il explique que ces dynamiques non linéaires peuvent être efficacement capturées par l'apprentissage automatique, contrairement aux modèles de régression linéaire. Cependant, il souligne qu'il est toujours important d'avoir un raisonnement économique derrière les stratégies de trading, même si les données fondamentales ne sont pas explicitement utilisées.

De plus, le Dr Starke explore l'exploitation de certaines inefficacités du marché qui ne sont pas nécessairement fondamentales. Il mentionne des facteurs tels que les restrictions sur les positions courtes du jour au lendemain et des dates spécifiques telles que la triple atteinte ou la quadruple sorcière, qui peuvent créer des effets économiques sur le marché qui peuvent être capitalisés. Il mentionne également les inefficacités du marché résultant de l'activité économique quotidienne ou de la manipulation illégale du marché. Le Dr Starke exprime son intérêt pour d'éventuelles collaborations futures, mais n'a actuellement aucun plan concret.

En réponse à la question d'un spectateur sur les raisons pour lesquelles les rêves ne se matérialisent souvent pas, le Dr Starke donne son point de vue personnel. Il explique que les rêves commencent initialement par des concepts et que sa vie de rêve ne tourne pas simplement autour de s'allonger sur la plage, mais implique plutôt l'exploration, la gestion de sa propre entreprise et l'autonomie. Il souligne qu'il est crucial d'aligner ses véritables aspirations et objectifs sur des résultats pratiques. La présentation se termine par l'hôte informant les téléspectateurs de la remise à durée limitée sur les cours Contra et mentionnant la dernière session sur l'application de l'apprentissage automatique dans le trading prévue pour le lendemain.

• 00:00:00 L'orateur explique pourquoi l'IA est considérée comme la prochaine grande chose dans le commerce. Bien que l'IA et l'apprentissage automatique existent depuis longtemps, il n'y avait pas assez de puissance de calcul pour exécuter efficacement les algorithmes. Cependant, ces dernières années, la technologie s'est tellement améliorée que même des algorithmes substantiels peuvent fonctionner sur un ordinateur portable, et le cloud leur a permis de fonctionner sur des centres de serveurs. De plus, il y a eu des succès dans d'autres domaines qui ont contribué à l'idée que l'IA est la prochaine grande chose, et la finance n'a pas été laissée pour compte. L'IA s'est avérée utile dans des domaines tels que la reconnaissance faciale, la reconnaissance d'images et le traitement général du langage naturel.
  
  
• 00:05:00 Le Dr Thomas Starke discute du potentiel de l'intelligence artificielle (IA) dans la finance et comment elle pourrait changer la donne, car elle offre de nouvelles possibilités qui n'étaient pas disponibles auparavant. Il aborde également le fait que l'IA et l'apprentissage automatique ne sont pas une solution miracle mais des outils scientifiques et mathématiques qui doivent être compris et appliqués dans la finance, qui n'est pas intrinsèquement scientifique. Bien que la finance ait certains aspects scientifiques, la majorité est considérée comme une forme d'art. Par conséquent, comprendre à la fois l'outil et l'art de la finance est essentiel pour une utilisation réussie de l'IA.
  
  
• 00:10:00 Le Dr Thomas Starke discute du rôle du développement de logiciels et des compétences en programmation en plus de l'apprentissage automatique et des connaissances statistiques lorsqu'il s'agit d'appliquer l'IA au trading. Il souligne l'importance de bonnes compétences logicielles, y compris l'écriture d'API et la sécurité des systèmes, car elles sont nécessaires pour appliquer les outils d'apprentissage automatique sur le marché. Il soutient que si les outils d'apprentissage automatique sont faciles à utiliser, les compétences en programmation et la connaissance des statistiques sont essentielles pour être un praticien dans ce domaine. Le Dr Starke aborde également la question de savoir si un doctorat est nécessaire pour appliquer des algorithmes d'apprentissage automatique et soutient qu'il n'est pas essentiel, tant que l'on a un objectif spécifique et que l'on est prêt à effectuer les recherches et les travaux nécessaires.
  
  
• 00:15:00 Le Dr Thomas Starke discute de l'importance du mentorat dans l'apprentissage de l'IA dans le trading. Il souligne que trouver un bon mentor pour vous guider tout au long du processus peut aider à prévenir les erreurs des débutants. Il pense que n'importe qui peut apprendre l'IA, mais il est plus important de développer quelque chose qui fonctionne pour vous dans la pratique plutôt que de se contenter de connaissances théoriques développées à l'université. Le Dr Starke souligne également qu'une compréhension des marchés et de l'économie sous-jacents est plus cruciale que des compétences en programmation. Il soutient que l'on peut apprendre la programmation tant qu'on a quelqu'un pour les encadrer correctement.
  
  
• 00:20:00 Le Dr Thomas Starke a discuté de l'importance de l'apprentissage de la programmation et des méthodes quantitatives dans l'industrie commerciale d'aujourd'hui. Il a déclaré que la plupart des traders qui réussissent possèdent une solide compréhension des mathématiques et de la programmation, et ceux qui sont intéressés peuvent l'apprendre assez rapidement. Il a expliqué que les traders qui investissent leur temps dans l'apprentissage des méthodes quantitatives et de l'apprentissage automatique ont tendance à survivre sur les marchés lorsque le passage du trading sur écran aux algorithmes se produit. De plus, il a souligné que l'avantage économique et commercial est crucial et surpasse un avantage en programmation et en mathématiques. Cependant, il a également mentionné que l'apprentissage en profondeur oblige les entreprises et les particuliers à expliquer leurs rendements, et une année de rendements négatifs peut entraîner des défis importants.
  
  
• 00:25:00 Le Dr Thomas Starke discute de l'importance de pouvoir expliquer les algorithmes d'IA, en particulier lors de l'utilisation d'outils d'apprentissage automatique dans le trading. Si l'algorithme ne peut pas être expliqué, cela peut entraîner des problèmes ou même le retrait de fonds. Il déclare également que, malgré l'utilisation de l'IA et du ML, les pratiques de gestion des risques restent plus ou moins les mêmes, mais il est nécessaire de reconsidérer de nouvelles façons de gérer les risques, en particulier avec la fin de la course haussière des actions et des obligations. L'apprentissage automatique est omniprésent dans le commerce, et il existe diverses applications telles que l'utilisation de l'IA pour les signaux d'entrée et son utilisation pour la gestion des risques des modèles d'apprentissage automatique, entre autres.
  
  
• 00:30:00 Le Dr Thomas Starke explique comment l'intelligence artificielle (IA) est utilisée à chaque étape du trading, de l'analyse des données de signal à la gestion des risques du portefeuille et à l'exécution des transactions. L'apprentissage automatique et l'apprentissage en profondeur sont utilisés pour analyser les images et les signaux de sentiment afin de produire un signal clair, puis l'analyse en composantes principales est utilisée pour réduire la dimensionnalité des entrées pour les signaux commerciaux. Des algorithmes sont ensuite utilisés pour déterminer sur quels signaux d'entrée doivent être échangés. Pour la gestion des risques, l'apprentissage automatique est utilisé pour gérer le risque de portefeuille, qui peut être supérieur aux calculs classiques de gestion des risques. Enfin, dans l'exécution, les modèles linéaires, les machines à vecteurs de support et l'apprentissage par renforcement sont utilisés pour aider les traders à obtenir les meilleurs prix d'exécution.
  
  
• 00:35:00 Le Dr Thomas Starke discute de différents modèles et technologies pouvant être utilisés dans le trading, tels que PCA, arbres de décision, xgboost, apprentissage en profondeur et apprentissage par renforcement. Plus tard, il répond à une question d'un trader algo expérimenté qui a du mal à faire évoluer son système de travail et à apprendre de nouvelles technologies. Le Dr Starke suggère de se concentrer sur la gestion des risques, car cela peut aider à augmenter les rendements géométriques et conduire à reproduire la stratégie sur d'autres marchés. De bons systèmes de gestion des risques peuvent même produire de l'alpha et être considérés comme des stratégies de volatilité longue.
  
  
• 00:40:00 Le Dr Thomas Starke explique comment l'intelligence artificielle pourrait être utilisée pour amortir et couvrir le risque des stratégies de volatilité courte dans le trading. Il suggère que l'IA pourrait augmenter considérablement l'alpha généré par de telles stratégies. Lorsqu'il s'agit de se motiver pour apprendre et développer continuellement de nouvelles stratégies, le Dr Starke insiste sur l'importance de la curiosité et d'une saine appréciation du risque. Il recommande également d'éviter les plates-formes de trading prêtes à l'emploi et de coder à la place des stratégies à partir de zéro afin de développer un avantage d'apprentissage en profondeur. L'intervieweur demande au Dr Starke s'il croit au mouvement des prix basé sur le temps ou au mouvement du marché basé sur les prix dans le commerce, et le Dr Starke demande des éclaircissements sur la distinction avant de répondre.
  
  
• 00:45:00 Le Dr Thomas Starke discute de la différence entre les mouvements de prix basés sur le temps et les mouvements de marché basés sur les prix. Il note que les mouvements de prix basés sur le temps peuvent souvent être résolus mathématiquement en calculant des indicateurs, tandis que les mouvements de marché basés sur les prix sont déterminés par l'économie sous-jacente du marché. Le Dr Starke souligne l'importance d'examiner le raisonnement économique sous-jacent d'une stratégie de trading, plutôt que d'essayer simplement de battre les marchés avec les mathématiques. Il recommande également des livres tels que le livre de Marcus Lopez et la gestion active de portefeuille de Grinnell et Kahn pour ceux qui souhaitent combiner l'IA avec des modèles quantitatifs sur les marchés financiers.
  
  
• 00:50:00 Le Dr Thomas Starke souligne l'importance de comprendre les principes sous-jacents de la modélisation factorielle, qui, selon lui, sont très similaires aux principes de l'apprentissage automatique. Il suggère que la compréhension de ces principes peut mieux équiper les commerçants dans l'application de l'apprentissage automatique à leurs systèmes. Le Dr Starke souligne également l'importance de déterminer ce qui constitue une bonne stratégie de trading car ce n'est pas toujours la plus rentable, citant des exemples tirés du livre de Ralph Vince, Mathematics of Portfolio Management. Il recommande les livres d'Andreas Klenow et de M. Trendful, car ils fournissent non seulement des informations précieuses sur les stratégies de trading, mais couvrent également la psychologie du trading.
  
  
• 00:55:00 Le Dr Thomas Starke explique comment l'IA et l'apprentissage automatique peuvent capturer les non-linéarités qui se produisent dans la finance comportementale. Il explique le concours de beauté keynésien comme un exemple de la façon dont les résultats peuvent devenir extrêmement non linéaires et chaotiques, ce qui fait partie de l'utilisation de méthodes comportementales dans le commerce. L'apprentissage automatique peut capturer ces dynamiques non linéaires, contrairement à la régression linéaire, qui est totalement incapable de le faire. Cependant, il est toujours bon d'avoir un raisonnement économique derrière ce que vous faites en trading, même si vous n'utilisez pas nécessairement des données fondamentales dans vos stratégies.
  
  
• 01:00:00 Le Dr Thomas Starke discute de la possibilité de négocier un portefeuille spécifique et d'exploiter certaines inefficacités du marché qui ne sont pas nécessairement fondamentales. Il donne des exemples tels que le fait de savoir que les gens ne sont pas autorisés à détenir des positions courtes du jour au lendemain, ce qui peut conduire à des principes économiques pouvant être exploités sur le marché. De plus, il mentionne l'importance de certaines dates telles que la triple atteinte ou la quadruple sorcellerie, qui peuvent produire des effets économiques qui découlent du marché. Il parle également des inefficacités du marché qui découlent de l'activité économique quotidienne ou de la manipulation illégale du marché. Le Dr Starke exprime son intérêt à collaborer à nouveau à l'avenir mais n'a aucun plan pour l'instant.
  
  
• 01:05:00 Satwik demande au Dr Thomas Starke pourquoi les rêves ne se matérialisent souvent pas. Starke dit que c'est une question intéressante et donne son point de vue personnel. Il explique que son rêve n'était au départ qu'un concept, pas son objectif réel, et que sa vie de rêve ne consiste pas seulement à s'allonger sur la plage. Il aime explorer les choses, diriger sa propre entreprise et être autonome. Ceci, selon lui, se rapproche beaucoup plus de son vrai rêve. Enfin, l'hôte informe les téléspectateurs que tous les cours Contra sont à 75 % de réduction pour une durée limitée et que la dernière session sur l'application de l'apprentissage automatique dans le trading aura lieu demain.

[MetaQuotes]

Tendances actuelles de la finance quantitative [Panel Discussion] | Algo Trading Week Jour 5

Tendances actuelles de la finance quantitative [Panel Discussion] | Algo Trading Week Jour 5

Mesdames et Messieurs, bienvenue à la table ronde d'aujourd'hui sur les tendances actuelles de la finance quantitative. Nous avons trois éminents experts du domaine qui se joignent à nous aujourd'hui pour partager leurs idées et leur expertise. Présentons nos panélistes :

Tout d'abord, nous avons David Jessup, responsable du risque d'investissement pour la région EMEA chez Columbia Thread Needle Investments. Fort d'une vaste expérience dans la recherche quantitative, l'analyse des risques et la construction de portefeuilles, David est spécialisé dans l'investissement factoriel multi-actifs et l'apprentissage automatique dans la gestion des investissements. Sa profonde compréhension des stratégies quantitatives et de la gestion des risques fournira des informations précieuses sur les tendances qui façonnent l'industrie.

Ensuite, nous avons le Dr Devashes Guava, directeur de l'apprentissage automatique et président du Center for Research in Technology Business de la SP Gen School of Global Management. L'expertise du Dr Guava réside dans l'application de l'intelligence artificielle en économie et en finance. Ses recherches et ses connaissances dans ce domaine mettront en lumière l'intersection de l'IA et de la finance et les implications pour la finance quantitative.

Enfin, nous avons Richard Rothenberg, directeur exécutif de Global AI Corporation. Richard apporte une vaste expérience de son travail dans des fonds spéculatifs de plusieurs milliards de dollars et des banques d'investissement mondiales. Grâce à sa vaste expérience en gestion de portefeuille quantitative et en recherche, il fournira des informations précieuses sur la mise en œuvre pratique des stratégies quantitatives dans le secteur financier.

Maintenant, plongeons dans la discussion sur les tendances récentes qui ont façonné la finance quantitative. Nos panélistes conviennent à l'unanimité que la disponibilité et la qualité des données ont joué un rôle important dans la progression de l'industrie. De plus, les progrès de la puissance de calcul ont permis la construction et l'analyse de modèles complexes qui n'étaient pas réalisables il y a dix ans.

Les panélistes soulignent l'expansion de la finance quantitative au-delà des actions vers d'autres classes d'actifs, notamment le crédit, les devises et le trading de crypto. Ils attirent également l'attention sur la tendance émergente de l'investissement responsable, qui gagne du terrain dans le secteur financier. Cependant, ils notent que la qualité des données dans ce domaine doit encore être améliorée. Les panélistes prédisent que l'investissement responsable continuera d'être un facteur important dans la finance au cours des prochaines années.

Ensuite, le panel discute de deux grandes tendances de la finance quantitative. Premièrement, le trading algorithmique s'est étendu à toutes les classes d'actifs, pas seulement aux actions. Les actifs exotiques sont désormais négociés à l'aide d'approches algorithmiques. Deuxièmement, il y a eu une augmentation substantielle des sources de données alternatives, telles que les données de sentiment des nouvelles en plusieurs langues et les transactions par carte de crédit. La capacité de traiter et d'analyser ces données avec des analyses avancées et une puissance de calcul a conduit à l'incorporation de facteurs de risque non financiers, tels que les tendances de gouvernance environnementale et sociale, dans les évaluations des entreprises.

Cependant, le panel aborde également les défis de l'utilisation de l'apprentissage automatique dans la finance. Compte tenu du faible rapport signal sur bruit et de la nature du jeu à somme nulle des marchés financiers, l'apprentissage automatique n'est pas toujours l'outil idéal pour résoudre tous les problèmes. Les panélistes soulignent l'importance de combiner l'apprentissage automatique avec d'autres méthodologies et de comprendre ses limites. Ils clarifient également la distinction entre apprentissage automatique et données alternatives, car ces deux concepts sont souvent confondus.

En outre, les panélistes discutent des défis uniques de l'apprentissage automatique financier dans le contexte de la dynamique du marché en tant que jeu différentiel. Ils soulignent l'importance de tenir compte des choix stratégiques faits par les autres acteurs du marché lors de l'élaboration de stratégies de négociation.

La discussion passe ensuite à l'importance des données de haute qualité dans les modèles d'apprentissage automatique pour le trading algorithmique. Les panélistes reconnaissent le défi du nettoyage des données non structurées et soulignent l'importance de commencer avec des modèles linéaires pour comprendre les paramètres et assurer la qualité des données. Ils résolvent le problème du bruit et de la rareté des données alternatives, ce qui les rend plus difficiles à nettoyer et à filtrer. De plus, les panélistes soulignent la nécessité de comparer et d'utiliser des secondes sources de données pour garantir l'exactitude des données.

Les panélistes soulignent en outre que les solutions commerciales doivent être abordées dans le cadre de la définition d'une stratégie dans un jeu de personne finale avec des joueurs opposés qui ont des intérêts contradictoires. Les méthodes de modélisation traditionnelles ne s'appliquent pas toujours dans ce contexte, et les panélistes soulignent l'importance de tester différentes stratégies pour trouver les solutions les plus efficaces. Ils discutent également des défis uniques posés par des ensembles de données alternatifs comme les données sur le développement durable, qui nécessitent différentes méthodes d'analyse et peuvent nécessiter l'agrégation de données à des fréquences plus faibles pour faire face à la rareté. Bien que travailler avec des ensembles de données clairsemés puisse être difficile, les panélistes pensent qu'il existe encore des opportunités de découvrir des signaux précieux.

Un autre sujet de discussion clé est l'importance de comprendre la structure de jeu du marché lors de la conception de systèmes de négociation. Les panélistes soulignent que si les petits acteurs peuvent avoir plus de latitude pour prendre des risques, les grands acteurs du trading de matières premières et de cryptographie doivent aborder le trading avec prudence en raison de l'extrême volatilité de ces marchés. Ils soulignent également l'importance de la diversification pour atténuer les prélèvements, qui sont considérablement élevés dans les actifs cryptographiques.

Le panel va plus loin et remet en question les hypothèses intégrées dans la théorie financière traditionnelle. Ils soutiennent que les actifs ne suivent pas nécessairement des processus de diffusion fixes avec des hypothèses de moyenne et de variance définies. Au lieu de cela, ils mettent l'accent sur la nature stochastique de la volatilité et la fluctuation des valeurs moyennes dans le temps. Ils proposent d'envisager des processus de Markov cachés pour modifier tactiquement la moyenne et l'écart type, conduisant à de meilleures approches en matière d'investissement factoriel et d'investissement crypto. Cette perspective offre des profils risque-rendement attrayants avec un potentiel de diversification simple.

La discussion explore ensuite diverses applications de l'apprentissage automatique dans l'industrie financière. Les panélistes mentionnent l'utilisation de l'apprentissage automatique pour la classification par sexe, la prévision des émissions de carbone et la fixation des volumes sur les marchés des titres à revenu fixe. Ils soulignent également l'attention croissante portée aux facteurs ESG et l'élargissement des objectifs de développement durable, qui tiennent compte de l'impact sur la société dans son ensemble et du risque systémique. Ils considèrent cette taxonomie élargie des risques comme un facteur important dans la prise de décision financière, avec un potentiel d'intégration dans un modèle de facteurs ESG.

Une autre tendance discutée est l'utilisation de comités et de groupes de travail pour regrouper les données en fonction de multiples facteurs. Les panélistes soulignent l'importance croissante du traitement du langage naturel dans la compréhension du sentiment des parties prenantes locales pour quantifier les risques non financiers. Ces risques, de plus en plus importants pour les aspects immatériels du bilan d'une entreprise, sont essentiels à prendre en compte dans l'analyse des marchés financiers.

De plus, les panélistes soulignent l'importance d'avoir de solides compétences en programmation et des connaissances statistiques dans le domaine de la finance quantitative. Ils mettent également en garde contre les pièges de l'analyse répétée du même ensemble de données, soulignant la nécessité de s'adapter et de se préparer à l'avenir du trading quantitatif.

Pour l'avenir, les panélistes discutent de l'importance de suivre les classes d'actifs émergentes, telles que le carbone et les crypto-monnaies. Ils mentionnent l'impact potentiel de l'informatique quantique sur la donne, qui pourrait révolutionner les algorithmes de chiffrement derrière les crypto-monnaies, bien que des applications pratiques restent à réaliser. Ils abordent également le développement de grands réseaux de neurones et de technologies comme GPT3, qui sont présentés comme des voies vers l'intelligence artificielle générale. La croissance exponentielle de la capacité matérielle et logicielle ne montre aucun signe de ralentissement, et les panélistes anticipent une future convergence du calcul haute performance, du calcul quantique et de l'IA dans le domaine de la finance quantique.

En conclusion, les panélistes prédisent un avenir caractérisé par l'expansion des capacités matérielles et logicielles, conduisant au développement de robots de trading à usage général. Ces robots auront la capacité d'extraire et d'interpréter des données provenant de diverses sources, y compris les médias sociaux, en utilisant la compréhension des images, la compréhension du langage et la compréhension sémantique, entre autres. Ils soulignent l'importance d'adopter de nouvelles technologies et méthodologies pour garder une longueur d'avance et s'adapter à l'évolution du paysage de la finance quantitative.

La table ronde se termine avec les panélistes exprimant leur gratitude au public et encourageant le partage de toutes les questions sans réponse. Ils annoncent également que la session de demain se concentrera spécifiquement sur l'apprentissage automatique et le trading, invitant les participants à se joindre et à continuer à explorer ce domaine fascinant.

Merci à tous d'avoir participé à la table ronde perspicace d'aujourd'hui sur les tendances actuelles de la finance quantitative.

• 00:00:00 Le modérateur présente les trois experts du domaine pour la table ronde du jour sur les tendances actuelles de la finance quantitative. Le premier panéliste, David Jessup, est responsable du risque d'investissement pour la région EMEA chez Columbia Thread Needle Investments et possède une vaste expérience dans la recherche quantitative, l'analyse des risques et la construction de portefeuille, en particulier dans l'investissement factoriel multi-actifs et l'apprentissage automatique dans la gestion des investissements. Le deuxième panéliste, le Dr Devashes Guava, est directeur de l'apprentissage automatique et président du Center for Research in Technology Business de la SP Gen School of Global Management, spécialisé dans l'application de l'intelligence artificielle en économie et en finance. Enfin, Richard Rothenberg, directeur exécutif de Global AI Corporation, a travaillé dans des fonds spéculatifs de plusieurs milliards de dollars et des banques d'investissement mondiales et possède une immense expérience dans la gestion de portefeuille quantitative et la recherche.
  
  
• 00:05:00 Dans cette section, les panélistes discutent des tendances qui ont récemment façonné la finance quantitative. La disponibilité et la qualité des données ont été des facteurs importants pour l'industrie. De plus, la puissance croissante de l'informatique a permis de construire et d'analyser des modèles complexes d'une manière qui n'était pas possible il y a encore dix ans. Les panélistes notent que la finance quantitative s'étend au-delà des actions à d'autres classes d'actifs, telles que le crédit, les devises et le trading de crypto. Ils évoquent la nouvelle tendance de l'investissement responsable, qui gagne du terrain dans le secteur financier, mais la qualité des données dans ce domaine fait encore défaut. Les panélistes prédisent que l'investissement responsable sera un facteur important dans la finance au cours des prochaines années.
  
  
• 00:10:00 Dans cette section, le panel aborde deux des grandes tendances de la finance quantitative. Le premier est l'expansion du trading algorithmique dans toutes les classes d'actifs, pas seulement les actions, y compris les actifs exotiques. La deuxième tendance est l'augmentation significative des sources de données alternatives, telles que les données de sentiment provenant des actualités en plusieurs langues et des transactions par carte de crédit, et la capacité de traiter ces données avec des analyses avancées et une puissance de calcul. Cela a conduit à une augmentation des facteurs de risque non financiers, tels que les tendances en matière de gouvernance environnementale et sociale, qui ont un impact sur la valorisation d'une entreprise. Cependant, le panel souligne également les défis de l'utilisation de l'apprentissage automatique dans la finance, compte tenu du faible rapport signal sur bruit et du jeu à somme nulle du marché financier. Les statistiques bayésiennes sont un autre domaine où l'apprentissage automatique est combiné pour arriver à des prévisions de distribution.
  
  
• 00:15:00 Dans cette section, les panélistes discutent des avantages et des limites de l'apprentissage automatique en finance. L'un des principaux points soulevés est que l'apprentissage automatique est un outil utile, mais il ne devrait pas être le seul outil dans la boîte de négociation, car ce n'est pas le bon outil pour résoudre tous les problèmes. Un autre défi qui se pose avec l'apprentissage automatique est qu'il est souvent difficile de savoir quand cela va mal tourner et il peut être difficile de former un modèle pour dire quand il ne sait pas. Les panélistes font également la différence entre l'apprentissage automatique et les données alternatives, affirmant qu'il s'agit de deux choses distinctes qui sont souvent confondues. Enfin, les panélistes discutent des défis de l'apprentissage automatique financier dans le contexte où les marchés sont un jeu différentiel qui nécessite un type différent d'apprentissage automatique, en particulier lorsqu'il s'agit de choix stratégiques d'autres acteurs du jeu.
  
  
• 00:20:00 Le panel discute de l'importance d'avoir des données de bonne qualité pour les modèles d'apprentissage automatique dans le trading algorithmique et du défi du nettoyage des données non structurées. Alors que l'apprentissage automatique peut être utile pour prévoir les distributions dans le trading à court terme, il est important de revenir aux bases et de commencer avec des modèles linéaires pour comprendre les paramètres et s'assurer que la qualité des données est bonne. Le panel reconnaît qu'il y a beaucoup de bruit et de rareté dans les données alternatives, ce qui les rend plus difficiles à nettoyer et à filtrer. De plus, ils ont parlé de la difficulté de corriger les données aberrantes et de la nécessité de comparer et d'utiliser des secondes sources de données pour garantir l'exactitude des données.
  
  
• 00:25:00 Les solutions de trading font partie d'une structure de jeu et doivent être pensées et testées dans le cadre de la définition d'une stratégie dans un jeu de personne finale avec des joueurs opposés ayant des intérêts contradictoires. Il est important de garder à l'esprit que les méthodes de modélisation traditionnelles peuvent ne pas s'appliquer dans ce contexte, et le test de différentes stratégies est crucial pour trouver la solution la plus efficace. De plus, des ensembles de données alternatifs tels que les données sur le développement durable nécessitent différentes méthodes d'analyse et peuvent nécessiter l'agrégation de données à des fréquences plus faibles pour faire face à la rareté. Bien qu'il puisse être difficile de travailler avec des ensembles de données clairsemés comme ceux-ci, il existe encore des possibilités de trouver des signaux précieux.
  
  
• 00:30:00 Les panélistes discutent de l'importance de considérer la structure de jeu du marché avant de concevoir tout système commercial. Bien que les petits acteurs puissent se permettre de jouer, ce n'est pas le cas des grands acteurs du commerce des matières premières et de la cryptographie. Les panélistes discutent des marchés les plus intéressants pour les algorithmes d'apprentissage automatique, mentionnant la crypto comme un domaine fascinant où de nouveaux défis peuvent être trouvés. Ils conseillent de ne pas se concentrer sur une seule classe d'actifs ou algorithme et de considérer l'importance des sources de données alternatives pour réaliser des transactions rentables. Les marchés, en général, passent par des phases plus ou moins prévisibles, et des signaux qui étaient autrefois surutilisés peuvent revenir pour gagner en pertinence si peu d'acteurs du marché les utilisent. Des facteurs tels que la volatilité du marché et un processus de génération de données sous-jacent stable peuvent rendre les marchés plus conviviaux pour les algorithmes d'apprentissage automatique.
  
  
• 00:35:00 La discussion se concentre sur les obstacles rencontrés dans le déploiement de stratégies quantitatives pour l'investissement crypto. Le Dr Gughah explique que l'un des principaux problèmes est que les financiers traditionnels ne se sont jamais intéressés à la cryptographie, car elle est généralement considérée comme un domaine de type geek informatique ou jeu vidéo. De plus, l'extrême volatilité des crypto-monnaies est également une préoccupation majeure, car des prélèvements de 85 à 90 % sont impensables pour tout type de gestionnaire de fonds ou d'investisseur de détail. Pour que tout type d'écosystème de trading financier se développe en crypto, il est nécessaire de le reconnaître comme une classe d'actifs alternative et de créer un portefeuille suffisamment diversifié pour atténuer les baisses, qui résultent d'une forte corrélation entre les actifs crypto.
  
  
• 00:40:00 L'orateur discute de la nécessité d'abandonner l'idée que les actifs suivent des processus de diffusion fixes avec une hypothèse de moyenne et de variance définie, qui est une hypothèse intégrée courante dans le domaine de la finance. L'orateur explique que la volatilité est stochastique et que la moyenne change beaucoup avec le temps. Ainsi, il est nécessaire de supposer que la moyenne et l'écart type sont entraînés par un processus de Markov caché pour que l'État change tactiquement, ce qui constitue un grand saut dans la théorie financière traditionnelle. L'orateur suggère que la compréhension du processus stochastique qui génère les rendements peut conduire à de meilleures approches de l'investissement factoriel et de l'investissement crypto, résultant en des profils risque-rendement très attrayants avec une simple diversification.
  
  
• 00:45:00 Le panel discute des diverses applications de l'apprentissage automatique dans le secteur financier, telles que son utilisation pour la classification par sexe, la prévision des émissions de carbone et la fixation des volumes sur les marchés des titres à revenu fixe. Ils mentionnent également l'utiliser comme intrant dans le processus d'investissement, plutôt que comme simple technique de trading. Un autre sujet qu'ils couvrent est l'évolution de l'ESG vers les objectifs de développement durable, qui se concentre non seulement sur l'impact sur les actionnaires mais aussi sur la société dans son ensemble et le risque systémique. Cette taxonomie élargie des risques inclut des facteurs autres que les émissions de carbone et prend également en compte la gouvernance. Ils discutent de cela comme d'un facteur important dans la prise de décision financière, qui disent que cela peut être considéré comme un modèle de facteur ESG.
  
  
• 00:50:00 Les panélistes discutent de deux tendances intéressantes dans le domaine de la finance quantitative. Premièrement, l'utilisation de comités et de groupes de travail pour regrouper les données en fonction de 17 facteurs et l'importance croissante du traitement du langage naturel pour comprendre le sentiment des parties prenantes locales pour quantifier les risques non financiers de plus en plus importants pour l'aspect immatériel du bilan des entreprises. Deuxièmement, ils discutent de l'importance d'avoir de bonnes compétences en programmation, des connaissances statistiques et d'être conscients des pièges de l'examen du même ensemble de données plusieurs fois pour se préparer à l'avenir du trading quantitatif.
  
  
• 00:55:00 Les panélistes discutent de l'importance de se tenir au courant des nouvelles classes d'actifs susceptibles de devenir négociables, notamment le carbone et les crypto-monnaies. Un domaine qui pourrait changer la donne est l'informatique quantique, qui pourrait révolutionner les algorithmes de chiffrement derrière les crypto-monnaies. Bien qu'il n'y ait pas encore d'applications pratiques, certains grands fonds spéculatifs investissent dans le domaine quantique. En outre, ils parlent du développement de très grands réseaux de neurones et de GPT3, qui est présenté comme un moyen d'intelligence artificielle générale. L'augmentation de la capacité matérielle et logicielle ne montre aucun signe de ralentissement, et certains s'attendent à ce que l'apprentissage en profondeur envahisse le monde.
  
  
• 01:00:00 Le panel prédit que l'avenir de la finance quantitative réside dans l'expansion continue de la capacité matérielle et logicielle qui permettra le développement de robots de trading à usage général. Ces robots seraient capables d'extraire des données de diverses sources telles que les médias sociaux et d'en tirer un sens pour prendre des décisions commerciales. Ils ne se limiteront pas à l'apprentissage automatique numérique, mais auront plutôt une compréhension des images, une compréhension du langage, une compréhension sémantique, etc. Un autre domaine d'intérêt est l'informatique quantique, qui pourrait devenir pratique dans les cinq à dix prochaines années. Les panélistes pensent que l'avenir sera une convergence de l'informatique haute performance, de l'informatique quantique et de l'IA. Ils pensent qu'à mesure que nous commençons à intégrer davantage de données et de modèles, l'avenir réside dans la convergence de ces technologies.
  
  
• 01:05:00 Les panélistes discutent de la croissance exponentielle des nouveaux outils et techniques dans le domaine de la finance quantitative, qui rendront probablement de nombreuses fonctions et emplois obsolètes dans les cinq à dix prochaines années. Ils soulignent l'importance de préparer et d'accélérer l'intégration des nouvelles technologies pour garder une longueur d'avance. Les panélistes concluent en remerciant le public et en encourageant le partage de toutes les questions sans réponse, car la session de demain se concentrera sur l'apprentissage automatique et le trading.

[MetaQuotes]

Utiliser le sentiment et les données alternatives dans le trading [Panel Discussion] | Algo Trading Week Jour 4

Utiliser le sentiment et les données alternatives dans le trading [Panel Discussion] | Algo Trading Week Jour 4

Mesdames et messieurs, merci de vous joindre à nous aujourd'hui pour cette table ronde passionnante sur l'utilisation du sentiment et des données alternatives dans le trading. Avant de commencer, j'ai une annonce importante à faire.

Je suis ravi d'annoncer le lancement d'un nouveau programme de certification, la Certification en Analyse des Sentiments et Données Alternatives en Finance (CSAF). Ce programme a été spécialement conçu pour les professionnels de la finance qui cherchent à faire progresser leur carrière dans le trading et la prise de décision en matière d'investissement en utilisant des méthodes modernes telles que l'analyse des sentiments d'actualité et des données alternatives.

Le programme CSAF couvrira divers aspects de l'analyse des actualités, de l'analyse des sentiments et des données alternatives nécessaires à la finance. Il sera enseigné par des experts de premier plan dans les domaines du trading algorithmique, de l'analyse des sentiments, de la modélisation quantitative et du trading à haute fréquence. Ces experts apportent une richesse de connaissances et d'expérience au programme, garantissant que les participants reçoivent une éducation et une formation de premier ordre.

Le programme approfondira des sujets tels que la compréhension de l'analyse des sentiments, l'exploitation de sources de données alternatives, l'intégration de données de sentiment dans des modèles de prédiction et l'utilisation de techniques d'intelligence artificielle et d'apprentissage automatique pour l'analyse de marché. Les participants obtiendront des informations précieuses sur le rôle du sentiment et des données alternatives dans le trading et apprendront comment libérer le potentiel de ces ressources pour améliorer les résultats financiers.

En plus du programme de certification, j'ai le plaisir d'annoncer qu'un manuel complet sur les données alternatives sera publié au printemps 2022. Ce manuel constituera une ressource précieuse pour les professionnels du domaine, fournissant des informations approfondies sur les différentes types de données alternatives et leurs applications en finance.

Maintenant, tournons notre attention vers la table ronde d'aujourd'hui. Nos estimés panélistes, dont le Dr Cristiano Arbex Valle, le professeur Gautam Mitra, le Dr Matteo Campolmi et le Dr Ravi Kashyap, partageront leurs idées sur l'utilisation des sentiments et des données alternatives dans le trading. Ils discuteront de ce que sont les données alternatives, pourquoi elles sont importantes et comment elles peuvent être utilisées efficacement pour prendre des décisions commerciales éclairées.

Comme nous le savons tous, les événements d'actualité ont souvent un impact significatif sur les prix des actifs, et les données sur le sentiment peuvent jouer un rôle crucial dans la prévision des résultats futurs. Les panélistes expliqueront comment les données de sentiment peuvent être traitées rapidement et converties en données numériques à utiliser dans des modèles mathématiques, fournissant des informations précieuses qui ne sont généralement pas capturées par les données de marché traditionnelles.

De plus, nos panélistes exploreront les défis et les opportunités associés aux données alternatives. Ils discuteront de l'émergence de sources de données alternatives, de la nécessité de techniques rigoureuses de traitement des données et de l'importance d'éviter le surajustement tout en identifiant les signaux dans de vastes quantités d'informations.

Au cours de la table ronde, nous vous encourageons à participer activement en posant des questions et en discutant avec nos panélistes. Vos commentaires et vos idées sont très appréciés, et nous sommes impatients de créer une session enrichissante et interactive.

Avant de commencer, je voudrais exprimer ma gratitude à vous tous pour vous être joints à nous aujourd'hui. Votre présence et votre enthousiasme contribuent au succès d'événements comme ceux-ci. Je vous rappelle également de nous suivre sur les réseaux sociaux et souhaite aux organisateurs un joyeux 11e anniversaire.

Maintenant, sans plus tarder, commençons notre table ronde sur le sentiment et les données alternatives dans le trading. Merci.

Au début de la table ronde, nos panélistes se penchent sur le sujet du sentiment et des données alternatives dans le trading, partageant leurs précieuses informations et expériences. Ils mettent en évidence l'impact de l'intégration de l'analyse des actualités et du sentiment en tant que caractéristiques d'entrée supplémentaires dans les modèles de prédiction, soulignant les meilleurs résultats obtenus, en particulier dans la prédiction de la volatilité des actifs.

L'un des principaux points de discussion tourne autour de l'émergence de données alternatives et de leur importance pour éclairer les décisions commerciales. Les panélistes soulignent que les données alternatives introduisent de nouvelles informations, telles que les habitudes de consommation, qui peuvent fournir des informations précieuses pour les stratégies d'investissement. Ils soulignent l'importance de coupler les données avec des modèles, en utilisant des techniques d'intelligence artificielle et d'apprentissage automatique pour prédire les orientations du marché et améliorer les résultats financiers.

Le panel prend un moment pour saluer la modération du professeur Gautam Mitra, fondateur et directeur général d'OptiRisk Systems. Grâce à son expertise, il assure une exploration complète du sujet. Ils se penchent sur les applications pratiques du sentiment et des données alternatives dans le trading, en abordant des questions concernant sa définition, son importance et son utilisation.

Reconnaissant que les données alternatives sont un domaine en constante évolution, les panélistes soulignent la nature dynamique de ce domaine. Ils discutent de la manière dont ce qui est considéré comme des données alternatives aujourd'hui pourrait devenir courant à l'avenir, mettant en valeur les progrès continus et l'innovation au sein de l'industrie. Leur objectif reste de tirer parti de données alternatives pour obtenir un avantage dans le domaine financier, dans le but ultime de maximiser les rendements.

Au milieu de la discussion, le panel reconnaît le biais potentiel présent dans les données de sentiment dérivées de sources d'information. Ils offrent des solutions potentielles pour atténuer ce biais, comme l'utilisation de plusieurs sources et l'utilisation de diverses techniques pour analyser les données. Ce faisant, ils soulignent l'importance d'une analyse de données complète et robuste pour garantir des informations précises et fiables.

À l'avenir, les panélistes soulignent l'importance de comprendre le contexte et les scénarios dans lesquels les données sont collectées. Ils discutent du besoin d'informations contextuelles pour fournir une vue nuancée et construire des algorithmes efficaces. Les panélistes abordent également l'idée que les biais ne sont pas toujours négatifs et peuvent parfois profiter aux stratégies de trading. Leur message global met l'accent sur l'importance de comprendre et de travailler avec les données disponibles, même si la source de données elle-même ne peut pas être contrôlée.

Le panel explore plus en détail les paramètres à prendre en compte lors de l'analyse des données de sentiment à des fins de trading. Ils mettent en lumière la classification du sentiment en catégories positives, neutres ou négatives par les fournisseurs de nouvelles ou de sentiment. De plus, ils discutent de la pertinence de considérer le volume de nouvelles ou de tweets comme un facteur dans l'analyse des sentiments. La normalisation du sentiment basée sur le volume moyen de nouvelles sur une période de temps spécifique est également mise en évidence.

La conversation s'approfondit au fur et à mesure que les panélistes discutent de la nature spécifique à la langue de l'analyse des sentiments. Ils mettent l'accent sur l'utilisation de l'IA et d'autres techniques pour analyser et analyser le texte, permettant une compréhension plus profonde du sentiment. La pertinence et la nouveauté des événements d'actualité sont identifiées comme des facteurs cruciaux, les entreprises recevant des données d'actualité via des abonnements auprès de fournisseurs de contenu, permettant un traitement rapide.

En conclusion de la table ronde, les panélistes abordent les délais utilisés pour les indicateurs de sentiment. Ils précisent que les indicateurs de sentiment ne visent pas à battre la vitesse des nouvelles atteignant le marché. Au lieu de cela, ils servent d'indicateurs descriptifs de la façon dont le flux de nouvelles affecte les actions au fil du temps. L'importance de la conversion du texte en données numériques est également soulignée, reconnaissant la couche supplémentaire de traitement requise pour les informations textuelles.

Les panélistes discutent également de la pertinence des données de sentiment et des sources de données alternatives dans le trading. Ils abordent la question de savoir combien de jours de données de sentiment sont pertinents, soulignant que la réponse dépend de l'objectif du modèle et du type de trading effectué. La discussion s'étend en outre aux mesures de performance pour les sources de données alternatives, où la rentabilité est identifiée comme une mesure clé. Les panélistes expliquent la demande de données historiques et son impact potentiel sur les prix, avertissant qu'à mesure que les sources de données alternatives deviennent plus populaires, leur valeur peut changer avec le temps.

Pour conclure la table ronde, les panélistes partagent leurs points de vue sur les défis et l'importance du backtesting. Ils reconnaissent la rareté des informations historiques pour certaines sources de données alternatives, ce qui rend l'analyse et le backtesting difficiles. Cependant, ils mettent en évidence la disponibilité de modèles et de techniques statistiques qui peuvent aider à extrapoler les données à des fins de backtesting. Ils soulignent l'importance de comparer les performances d'une source de données donnée à son absence, permettant aux traders d'adapter leurs stratégies en conséquence. Le panel conclut en soulignant que la valeur des données alternatives dépend en fin de compte de leur utilisation dans un modèle spécifique.

Nous passons maintenant à la session de questions-réponses du public, où les panélistes abordent deux questions intrigantes. La première question tourne autour de l'utilisation des données historiques pour mieux comprendre les différentes périodes historiques. Le panel suggère d'utiliser au moins sept fois l'intervalle de temps pour obtenir une compréhension globale des différents résultats. La deuxième question concerne la recherche de sources fiables de données alternatives. Le panel recommande d'avoir un éclaireur de données pour explorer diverses sources et identifier les meilleures données disponibles pour les équipes quantitatives. Ils soulignent le défi de trouver des données fiables et soulignent que les idées innovantes émergent souvent de petites entreprises nouvelles.

Poursuivant la discussion, les panélistes se penchent sur le potentiel des petites entreprises qui identifient très tôt des ensembles de données uniques à acquérir par de plus grandes entreprises. Ils soulignent l'importance des intermédiaires dans l'agrégation des données et la valeur des ensembles de données dérivés à l'aide d'une modélisation propriétaire. La conversation aborde en outre l'impact des ensembles de données spécifiques à chaque pays, l'identification des risques régionaux et l'interdépendance du marché mondial. Comprendre ces facteurs devient essentiel pour prendre des décisions commerciales éclairées.

Alors que le panel touche à sa fin, les conférenciers se concentrent sur les compétences nécessaires et les conditions préalables à une carrière dans la finance. Ils mettent l'accent sur la valeur des langages de programmation et une solide compréhension des concepts mathématiques, car ces compétences sont de plus en plus cruciales dans le domaine. Le réseautage et l'établissement de liens avec des professionnels sont également mis en évidence, tout comme l'importance de rester ouvert à diverses opportunités et d'élargir continuellement ses connaissances.

En terminant, le conférencier réitère l'importance de se tenir informé des tendances du marché et de maintenir l'objectivité dans la prise de décisions financières. Elle met l'accent sur le rôle fondamental de la gestion des finances et encourage les participants à s'engager activement dans le secteur financier.

Avec une profonde gratitude, l'orateur remercie les panélistes et le public pour leurs précieuses contributions et conclut la session.

• 00:00:00 L'hôte annonce le lancement d'un nouveau programme de certification, la Certification en analyse des sentiments et données alternatives en finance (CSAF), conçu pour les professionnels de la finance qui cherchent à faire progresser leur carrière dans le trading et la prise de décision d'investissement en utilisant des méthodes modernes comme analyse du sentiment d'actualité et données alternatives. Le cours couvrira divers aspects de l'analyse des actualités, de l'analyse des sentiments et des données alternatives nécessaires à la finance, et sera enseigné par des experts de premier plan dans le trading algorithmique, l'analyse des sentiments, la modélisation quantitative et le trading à haute fréquence. La section comprend également un panel animé par le professeur Gautam Mitra, fondateur et directeur général d'OptiRisk Systems, avec des experts, le Dr Cristiano Arbex Valle, le professeur Gautam Mitra, le Dr Matteo Campolmi et le Dr Ravi Kashyap, discutant de l'utilisation des sentiments et des données alternatives dans commerce.
  
  
• 00:05:00 L'orateur introduit le sujet du sentiment et des données alternatives en finance, qui sera abordé lors d'une table ronde. Les panélistes donneront un aperçu de ce que sont les données alternatives, pourquoi elles sont nécessaires et comment libérer leur valeur. L'objectif est d'utiliser les données de sentiment pour prédire les résultats futurs de la finance, car les événements d'actualité affectent souvent les prix des actifs et les données de sentiment peuvent être traitées rapidement et converties en données numériques à utiliser dans des modèles mathématiques. Ces données ne sont généralement pas capturées par les données de marché traditionnelles, ce qui en fait une source précieuse d'informations pour la prise de décision. Un manuel sur les données alternatives sera publié au printemps 2022, et le panel répondra aux questions des participants.
  
  
• 00:10:00 Le panel d'experts discute de l'utilisation du sentiment et des données alternatives dans le trading. Ils ont constaté que l'intégration de l'analyse des actualités et du sentiment en tant que fonctionnalité d'entrée supplémentaire dans les modèles de prédiction a conduit à de meilleurs résultats, en particulier dans la prédiction de la volatilité des actifs. En outre, ils discutent de l'émergence de données alternatives, qui introduisent de nouvelles informations, telles que les habitudes de consommation, qui peuvent être utilisées pour éclairer les décisions commerciales. Ils soulignent l'importance de coupler les données avec des modèles, en utilisant des techniques d'intelligence artificielle et d'apprentissage automatique, pour prédire les orientations du marché et, en fin de compte, améliorer les résultats financiers.
  
  
• 00:15:00 Les fondateurs de Brain, une entreprise axée sur la recherche, expliquent leur approche pour créer des algorithmes et des méthodes propriétaires qui extraient des signaux liés aux marchés financiers à l'aide d'ensembles de données alternatifs. Ils attribuent la tendance croissante des ensembles de données alternatifs dans l'investissement et la gestion d'actifs à la disponibilité accrue des sources de données et à l'essor de l'industrie de la science des données. Alors que les ensembles de données alternatifs fournissent des informations supplémentaires aux investisseurs pour travailler dans leurs modèles, les fondateurs soulignent la nécessité d'une approche rigoureuse pour traiter une grande quantité d'informations et identifier les signaux sans surajustement.
  
  
• 00:20:00 Le panel discute de l'utilisation du sentiment et des données alternatives dans le trading. Ils couvrent les questions de ce que sont les données alternatives, pourquoi elles sont importantes et comment les utiliser. Ils notent que les données alternatives évoluent constamment et que ce qui est considéré comme alternatif aujourd'hui pourrait devenir courant à l'avenir. Le but de la finance est simple : gagner plus d'argent. Cependant, savoir quand acheter et vendre présente un défi. C'est là que les données alternatives peuvent fournir un avantage. Le panel reconnaît que la partialité peut être un problème lors de l'utilisation des actualités comme source de données sur les sentiments, et des solutions telles que l'utilisation de plusieurs sources et techniques pour analyser les données sont suggérées.
  
  
• 00:25:00 Le panel discute de l'importance de comprendre les scénarios dans lesquels les données ont été collectées et les biais potentiels présents dans les données. Ils notent que les tests rétroactifs peuvent être utilisés pour voir comment les données ont historiquement fonctionné, mais des informations contextuelles sont nécessaires pour fournir une vue plus nuancée et créer de meilleurs algorithmes. Le panel aborde également l'idée que les biais ne sont pas toujours négatifs, car ils peuvent parfois bénéficier aux stratégies de trading. Dans l'ensemble, la principale conclusion est que même si la source de données ne peut pas être contrôlée, l'accent doit être mis sur la compréhension et l'utilisation des données disponibles.
  
  
• 00:30:00 Le panel discute des paramètres à rechercher lors de l'analyse des données de sentiment à des fins de trading. Alors que les fournisseurs de nouvelles ou de sentiments classent généralement le sentiment comme positif, neutre ou négatif, l'équipe note que le volume de nouvelles ou de tweets peut également être un facteur à prendre en compte. Selon le fournisseur, le sentiment peut être quantifié sous la forme d'un nombre continu ou normalisé par le volume moyen d'actualités sur une certaine période. Le panel souligne également que les plateformes de médias sociaux comme Twitter peuvent offrir un élément supplémentaire à l'analyse des sentiments en examinant qui dit quelque chose et en identifiant les acteurs clés ayant un impact démesuré sur les marchés.
  
  
• 00:35:00 Le panel discute de l'utilisation du sentiment et des données alternatives dans le trading. Ils notent que le sentiment est un facteur spécifique à la langue qui peut être analysé en analysant le texte à l'aide de l'IA et d'autres techniques. Les panélistes parlent également de l'importance de tenir compte de la pertinence et de la nouveauté des événements d'actualité, et de la façon dont les entreprises reçoivent généralement des données d'actualité via des abonnements auprès de fournisseurs de contenu d'actualités, ce qui peut ne prendre que quelques secondes pour le traitement. Dans l'ensemble, la discussion met l'accent sur l'importance de comprendre le sentiment et les données alternatives dans la construction d'un modèle de prédiction pour le trading.
  
  
• 00:40:00 Les panélistes discutent de l'utilisation des sentiments et des données alternatives dans le trading. Ils parlent des différents délais qui peuvent être utilisés pour les indicateurs de sentiment et du fait qu'ils ne visent pas à battre la vitesse des nouvelles atteignant le marché. Les indicateurs de sentiment sont destinés à fournir un indicateur descriptif de la façon dont le flux de nouvelles affecte les actions au fil du temps. Les panélistes ont également parlé de l'importance de convertir le texte en nombres et de la couche supplémentaire de traitement requise pour les données textuelles. Ils ont mentionné comment le cas d'utilisation et la fréquence des échanges peuvent affecter la qualité et la synchronisation des données utilisées pour les échanges.
  
  
• 00:45:00 Le panel discute de la pertinence des données de sentiment et des sources de données alternatives dans le trading. La question de savoir combien de jours de données de sentiment sont pertinentes est soulevée, à laquelle la réponse est que cela dépend de l'objectif du modèle et du type de trading effectué. Ils discutent ensuite des mesures de performance pour les sources de données alternatives, la réponse simple étant le montant des bénéfices réalisés. Cependant, ils expliquent que les gens veulent généralement autant d'histoire que possible à un prix bon marché, mais les ensembles de données deviennent moins chers si plus de gens les utilisent et qu'ils sont banalisés. Ils notent également que l'utilisation de sources de données alternatives s'accompagne de la compréhension que la valeur des données peut changer avec le temps.
  
  
• 00:50:00 Le panel discute des défis liés à l'utilisation de données alternatives pour le trading et de l'importance du backtesting. Ils reconnaissent qu'il existe une rareté des informations historiques, ce qui rend difficile l'analyse et le backtest de certaines sources de données alternatives. Cependant, ils suggèrent qu'il existe des modèles et des techniques statistiques qui peuvent aider à extrapoler les données pour le backtesting. Le panel souligne également l'importance de comparer les performances d'une source de données donnée par rapport à son absence, et d'adapter les stratégies de trading en conséquence. Lorsqu'ils discutent de l'analyse des sentiments, ils avertissent que la meilleure approche variera en fonction du modèle spécifique et de son déploiement. En fin de compte, le panel convient que la valeur des données alternatives dépend largement de la manière dont elles sont utilisées dans un modèle donné.
  
  
• 00:55:00 Le panel discute de deux questions du public. La première question concerne l'utilisation de données historiques et la quantité de données à utiliser pour mieux comprendre ce qui pourrait se passer à différentes périodes historiques. Le panel suggère d'utiliser au moins 7 fois l'intervalle de temps pour avoir une bonne idée des différents résultats. La deuxième question porte sur la recherche de bonnes sources de données alternatives. Le panel suggère d'avoir un éclaireur de données pour examiner diverses sources et trouver les meilleures données disponibles à l'usage de l'équipe quant. Ils avertissent qu'il n'est pas facile de trouver des données fiables et que la véritable source de données alternatives provient de ces nouvelles petites entreprises qui trouvent des idées innovantes.
  
  
• 01:00:00 Le panel discute des données alternatives et de la manière dont les petites entreprises qui identifient très tôt des ensembles de données uniques ont le potentiel d'être acquises par de plus grandes entreprises. Le panel mentionne également l'importance des intermédiaires dans l'agrégation des données et la valeur des ensembles de données dérivés utilisant une modélisation propriétaire. Ils passent ensuite à la discussion de l'impact des ensembles de données spécifiques à chaque pays, à la ventilation des sources de risque et à la manière dont le marché mondial est désormais étroitement lié, ce qui rend essentiel la compréhension des risques régionaux et de leur impact potentiel sur les décisions commerciales. La section se termine par une blague avant de passer à la question suivante.
  
  
• 01:05:00 La table ronde, les intervenants discutent des compétences nécessaires et des prérequis pour un cours sur l'utilisation des sentiments et des données alternatives dans le trading. Bien qu'il soit utile d'être à l'aise avec Python en tant que langage de programmation, ils soulignent l'importance d'avoir des connaissances de base en finance et en modèles financiers. De plus, ils soulignent la valeur d'avoir accès aux sources de données et d'être disposés à participer et à s'engager dans le cours. Ils abordent également une question sur les conseils de carrière pour une personne intéressée à devenir analyste de recherche quantitative, encourageant l'individu à contacter le corps professoral pour obtenir des éclaircissements et soulignant l'importance d'être ouvert à un large éventail de compétences et de connaissances.
  
  
• 01:10:00 Les panélistes discutent des compétences nécessaires pour une carrière dans la finance. Ils suggèrent d'apprendre les langages de programmation, car de plus en plus d'ensembles de données sont créés, et de développer une bonne compréhension des concepts mathématiques. De plus, ils conseillent de ne pas avoir peur des mathématiques et de la programmation, car ces compétences deviennent vitales dans le domaine. Les panélistes mettent également l'accent sur les rencontres et le réseautage avec autant de personnes que possible, sur le fait de devenir un atout précieux pour les employeurs potentiels, d'être prêts à saisir les opportunités et d'avoir une base solide en mathématiques.
  
  
• 01:15:00 L'orateur insiste sur l'importance d'être au courant de ce qui se passe sur le marché et d'être ouvert aux différents domaines de l'industrie financière. Elle conseille de rester objectif et d'éviter d'être sentimental, car le commerce tourne finalement autour de l'argent et de la gestion des finances. La conversation se termine ensuite par des remerciements aux panélistes et au public, et un rappel pour souhaiter aux organisateurs un joyeux 11e anniversaire sur les réseaux sociaux.
  

[MetaQuotes]

Vente à découvert en marché haussier - Une Masterclass par Laurent Bernut | Algo Trading Week Jour 3

Vente à découvert en marché haussier - Une Masterclass par Laurent Bernut | Algo Trading Week Jour 3

Laurent Bernut est présenté en tant que fondateur et PDG d'Alpha Secure Capital, ainsi que vendeur à découvert dédié chez Fidelity Investments. La vidéo souligne qu'il animera une masterclass sur le thème de la vente à découvert, qui durera deux heures. Il est mentionné qu'il n'y aura pas de session de questions-réponses à la fin de la masterclass, mais les téléspectateurs sont encouragés à poser des questions pertinentes pendant la session elle-même. De plus, l'orateur informe le public sur un cours sur la vente à découvert avec Python, ainsi qu'un livre complémentaire qui explique le comment et le pourquoi de la vente à découvert. Le livre devrait être publié le 11 octobre 2021 et sera disponible sur Amazon.com.

La masterclass commence par Laurent Bernut expliquant les principaux enseignements que les participants peuvent s'attendre à tirer de la session. Il affirme que le top picking est une faillite et souligne que la vente à découvert est la compétence la plus précieuse pour lever des fonds avec succès. Bernut démystifie également dix mythes classiques sur la vente à découvert, mettant en lumière la nature sous-étudiée de cette discipline. Il élabore sur la dynamique de la vente à découvert et explique pourquoi même les acteurs du marché qui réussissent ont du mal avec le côté court. Partageant des idées personnelles, Bernut souligne le rôle crucial de la gestion de l'argent dans le cours.

À l'avenir, Bernut donne un aperçu du fonctionnement de la vente à découvert et souligne l'importance de localiser l'emprunt. Il discute de la nature en faillite de la sélection d'actions et préconise que les commerçants se concentrent sur d'autres pratiques comme la vente à découvert. Bernut souligne que l'industrie est souvent obsédée par les sélectionneurs de titres, mais les preuves empiriques montrent que la majorité des gestionnaires actifs sous-performent systématiquement leurs indices de référence. Cela a conduit de nombreuses personnes à abandonner la sélection de titres au profit de l'investissement passif et de l'indexation fermée. Cependant, Bernut souligne la pertinence de la vente à découvert pendant les marchés baissiers et la valeur qu'elle apporte en termes de protection contre les baisses.

Bernut aborde les idées fausses sur les vendeurs à découvert, dissipant l'idée qu'ils détruisent les pensions et les entreprises. Il explique que les investisseurs recherchent des véhicules long-short pour une faible volatilité, des rendements à faible corrélation et une protection contre les baisses, ce que les gestionnaires actifs ont du mal à offrir de manière cohérente. Par conséquent, les choix longs des gestionnaires de fonds communs de placement ne sont pas aussi pertinents pour les investisseurs qui peuvent obtenir des résultats similaires de manière passive par le biais de fonds négociés en bourse. Bernut souligne que la vente à découvert d'actions offre une protection contre le risque de baisse, ce qui rend la compétence de vente à découvert très recherchée, en particulier dans un marché baissier.

L'orateur se penche sur le rôle des vendeurs à découvert dans le capitalisme et la responsabilité de la direction de l'entreprise. Il soutient que les vendeurs à découvert, qui ne participent pas à la gestion des entreprises, sont souvent blâmés pour leurs échecs alors qu'en réalité, c'est la mauvaise gestion qui cause la chute. Bernut souligne la distinction entre la valeur marchande et la valeur intrinsèque, expliquant que la valeur marchande est déterminée par des jugements subjectifs, semblables à un concours de beauté. Il précise en outre que les vendeurs à découvert ne sont pas intrinsèquement de mauvais spéculateurs, mais dévoilent souvent des paradoxes sur le marché. Il reconnaît que les régulateurs désapprouvent les vendeurs à découvert qui se livrent à la manipulation du marché, mais leur tâche principale est d'exposer les inefficacités du marché.

La vidéo se poursuit avec Laurent Bernut évoquant le continuum espace-temps de l'entreprise, qui pose un paradoxe pour les vendeurs à découvert. Il attire l'attention sur les situations où les entreprises récompensent les employés pour leur participation à la fraude, tandis que la haute direction nie avoir connaissance de telles pratiques. Bernut conseille aux vendeurs à découvert d'adopter une approche non contradictoire envers la direction de l'entreprise, même lorsqu'ils ont raison, car il existe d'autres moyens de vendre à découvert une action. Il met l'accent sur l'aspect gestion des risques de la vente à découvert et avertit qu'il faut le faire avec prudence.

Dans sa masterclass Algo Trading Week, Bernut souligne l'importance d'apprendre à vendre à découvert et les risques associés à ne pas avoir cette compétence, en particulier en prévision d'un marché baissier. Il aborde également la façon dont la vente à découvert peut contribuer à accroître la volatilité du marché et le potentiel d'effondrement du cours des actions.

La vidéo se poursuit avec Laurent Bernut remerciant les téléspectateurs pour leur participation et leur engagement tout au long de la masterclass sur la vente à découvert. Il exprime son appréciation pour les questions et les commentaires reçus au cours de la session, soulignant l'importance de la participation active et de la curiosité dans le processus d'apprentissage.

Laurent Bernut présente ensuite un cours à venir sur la vente à découvert avec Python, visant à fournir des compétences pratiques pour la mise en œuvre de stratégies de vente à découvert à l'aide de la programmation. Le cours couvrira divers sujets, notamment l'analyse de données, le trading algorithmique, la gestion des risques et le backtesting. Il souligne la valeur de la combinaison de l'analyse quantitative avec les techniques de vente à découvert, et comment Python peut être un outil puissant à cette fin.

En plus du cours, Laurent Bernut annonce la sortie d'un livre complémentaire intitulé « Short Selling Unveiled : A Comprehensive Guide to Profiting in Bear Markets ». Le livre approfondira à la fois le comment et le pourquoi de la vente à découvert, en fournissant des idées, des stratégies et des exemples concrets. Il vise à démystifier la discipline et à doter les lecteurs des connaissances et des compétences nécessaires pour naviguer avec succès dans les complexités de la vente à découvert. Le livre devrait être publié le 11 octobre 2021 et sera disponible sur Amazon.com.

En conclusion de la vidéo, Laurent Bernut réitère l'importance de l'apprentissage continu et de l'amélioration dans le domaine de la vente à découvert. Il encourage les téléspectateurs à explorer le cours et à réserver pour approfondir leur compréhension et améliorer leurs compétences. Il exprime son engagement à aider les individus à devenir compétents dans la vente à découvert et souligne la valeur de rester informé et de s'adapter aux marchés financiers en constante évolution.

Avec une dernière note de gratitude et d'encouragement, Laurent Bernut fait ses adieux aux téléspectateurs, les laissant avec l'invitation à se connecter, à poser des questions et à poursuivre leur voyage dans le monde de la vente à découvert. La vidéo se termine et les téléspectateurs sont inspirés et motivés pour explorer davantage les opportunités et les défis présentés par la vente à découvert.

• 00:00:00 La vidéo présente Laurent Bernut en tant que fondateur et PDG d'Alpha Secure Capital et vendeur à découvert dédié chez Fidelity Investments. La masterclass se concentrera sur la vente à découvert et durera deux heures, sans session de questions-réponses à la fin. L'orateur encourage les téléspectateurs à poser des questions pertinentes pendant la session elle-même. Il mentionne également un cours sur la vente à découvert avec Python et un livre complémentaire qui explique à la fois comment et pourquoi le faire. Le livre sera publié le 11 octobre 2021 et sera disponible sur Amazon.com.
  
  
• 00:05:00 Laurent Bernut explique les principaux points à retenir de sa masterclass sur la vente à découvert, déclarant que le top picking est une faillite et que la vente à découvert est la compétence la plus précieuse pour lever un fonds réussi. Bernut démystifie également dix mythes classiques sur la vente à découvert, tout en soulignant la nature sous-étudiée de la discipline. Il explique la dynamique de la vente à découvert et pourquoi même les acteurs du marché qui réussissent ont du mal avec le côté court. Bernut partage également un aperçu personnel sur la gestion de l'argent et sa partie centrale dans le cours. La section se termine par un aperçu du fonctionnement de la vente à découvert et de l'importance de localiser l'emprunt.
  
  
• 00:10:00 Laurent Bernut discute de la nature en faillite de la sélection de titres et des raisons pour lesquelles les traders doivent se concentrer sur d'autres pratiques telles que la vente à découvert. Il explique que l'industrie repose sur le culte de la sélection de titres, mais en se référant aux chiffres, nous savons que les deux tiers des gestionnaires actifs sous-performent leur indice de référence année après année, ce qui les a amenés à changer leur orientation de la sélection de titres à indexation fermée et investissement passif. Les gestionnaires actifs ne sous-performent pas par de grandes marges ; c'est généralement plus ou moins un ou deux pour cent de l'indice. Cependant, pendant les marchés baissiers, les marchés verticaux tels que la vente à découvert deviennent pertinents.
  
  
• 00:15:00 Laurent Bernut dément le mythe selon lequel les vendeurs à découvert détruisent les retraites et les entreprises. Il souligne que les investisseurs placent leur argent dans des véhicules long-short parce qu'ils veulent une faible volatilité, des rendements à faible corrélation et une protection contre les baisses, ce que les gestionnaires actifs ne peuvent pas garantir de manière cohérente. Par conséquent, les investisseurs ne se soucient pas des sélections longues des gestionnaires de fonds communs de placement, car ils peuvent remplir la même fonction de manière passive en utilisant des fonds négociés en bourse. Bernut explique que la vente à découvert d'actions protège contre le risque de baisse, ce qui rend la compétence de vente à découvert très demandée, en particulier dans un marché baissier.
  
  
• 00:20:00 Laurent Bernut discute de la vente à découvert dans le contexte du capitalisme et de la responsabilité managériale. Les vendeurs à découvert, qui ne participent pas à la gestion des entreprises, sont souvent blâmés pour l'échec d'une entreprise, alors qu'en réalité, c'est une mauvaise gestion qui fait échouer l'entreprise. L'histoire du capitalisme est remplie d'entreprises devenues obsolètes en raison d'une mauvaise gestion, les vendeurs à découvert les accompagnant souvent simplement dans cette obsolescence. La valeur marchande est également discutée comme étant distincte de la valeur intrinsèque, la valeur marchande étant un concours de beauté canadien où la plus belle personne est choisie en fonction de celle que le juge pense être la plus belle. Enfin, l'idée fausse selon laquelle les vendeurs à découvert sont de mauvais spéculateurs est discutée, Bernut avertissant que les régulateurs n'aiment pas les vendeurs à découvert qui se livrent à des manipulations de marché, mais que le travail des vendeurs à découvert consiste souvent à dévoiler les paradoxes du marché.
  
  
• 00:25:00 Laurent Bernut, intervenant dans la vidéo "Vente à découvert en marché haussier - Une Masterclass" parle du continuum espace-temps de l'entreprise, qui est un paradoxe auquel sont confrontés les vendeurs à découvert. Le paradoxe survient lorsque les entreprises accordent des primes aux employés qui participent à la fraude, et lorsque la haute direction nie avoir connaissance de telles pratiques. Bernut suggère également que les vendeurs à découvert ne devraient pas adopter une vision contradictoire de la direction de l'entreprise, même s'ils ont raison, car il existe des moyens non contradictoires de vendre à découvert une action. Sachant que la vente à découvert est un exercice de gestion des risques, Bernut donne des conseils sur les risques potentiels qu'elle présente, affirmant que la vente à découvert doit être effectuée avec prudence.
  
  
• 00:30:00 Laurent Bernut, dans sa masterclass Algo Trading Week, discute de l'importance d'apprendre à vendre à découvert et des risques de ne pas savoir comment le faire, soulignant la valeur de la formation et de la pratique pour l'inévitable marché baissier. Il aborde également la façon dont la vente à découvert peut augmenter la volatilité du marché et finalement conduire à l'effondrement des cours des actions. Bernut se penche brièvement sur le concept d'utilisation de l'emprunteur et la demande et l'offre d'actions prises pour la vente à découvert, répondant à une question sur la minimisation des pertes et sur la nécessité d'ajuster les stratégies de vente à découvert au comptant sur les marchés à terme.
  
  
• 00:35:00 Laurent Bernut démystifie le mythe selon lequel la vente à découvert n'est pas nécessaire lors d'un marché haussier. De nombreux fonds spéculatifs ont tergiversé dans l'apprentissage de la vente à découvert avant la crise financière de 2008, ce qui les a fait énormément souffrir lorsque les marchés se sont effondrés. Bernut pense que la vente à découvert doit être apprise pendant un marché haussier car il s'agit d'un domaine concurrentiel avec beaucoup de fuites d'alpha, et apprendre pendant un marché haussier donne une marge de manœuvre pour faire des erreurs sans trop de conséquences. Le mythe du choc structurel est également démystifié. Bien que les entreprises puissent faire faillite, la logique ne s'applique pas aux positions longues, et celles qui occupent des positions longues visitent souvent et se forment pour protéger leurs investissements.
  
  
• 00:40:00 Laurent Bernut explique le sophisme d'être un "touriste" et de rechercher des ventes à découvert structurelles. Il pense que cela représente un manque d'humilité et dit qu'il est extrêmement difficile de trouver des fraudes comptables. Un autre problème concerne les modèles commerciaux défectueux, difficiles à détecter car les entreprises tentent de les cacher. Bernut parle également des valorisations, disant que lorsqu'elles n'ont pas de sens, elles cessent d'avoir du sens. Il explique deux modes de trading, le suivi de tendance classique et le retour à la moyenne, et dit que les personnes du côté long devraient comprendre la différence, car elles ont des profils et des gains antagonistes.
  
  
• 00:45:00 Laurent Bernut discute des stratégies de vente à découvert, soulignant que le trading de paires n'est pas une stratégie de vente à découvert malgré que de nombreuses personnes l'associent au côté short. Il parle également de la définition du régime, qui classe le marché en trois catégories en fonction du prix : haussier, baissier et non concluant, et des choses à faire : la définition du régime, les séries relatives et les pièges de valeur. Bernut recommande de se concentrer sur les actions sous-performantes, "ennuyeuses", sans véritable histoire ni croissance et avec des rendements de dividendes élevés, car elles ont tendance à suivre la conversation et à sous-performer, ce que veulent les vendeurs à découvert.
  
  
• 00:50:00 Laurent Bernut discute de la pierre d'achoppement de la génération d'idées en matière de vente à découvert et compare la croissance des entreprises au concept de vieillissement, où leurs rendements sont plus élevés parce que leur croissance s'est produite il y a des années et qu'il ne reste plus rien. Il présente également un graphique du S&P 500 et explique comment les lignes rouges et vertes pleines représentent le nombre d'actions réalisant respectivement des hauts et des bas sur un an, tandis que la ligne pointillée représente les mêmes données sur les séries relatives divisées par l'indice. La moitié des composants de n'importe quel indice surperforment à peu près et l'autre moitié sous-performent, ce qui signifie que l'aspect problématique est de chronométrer le haut et le bas. Bernut suggère de faire des rotations de secteur à la place et présente une carte thermique de toutes les méthodes de définition de région, menant à la discussion sur la définition de régime.
  
  
• 00:55:00 Laurent Bernut discute de l'importance de la définition du régime dans le trading, qu'il s'agisse d'une analyse quantitative ou fondamentale. La définition du régime sert d'aperçu du marché, indiquant aux traders s'il est haussier ou baissier. En analysant le régime, les traders peuvent alors enquêter sur les raisons pour lesquelles certaines actions surperforment ou sous-performent. Les réponses à ces questions se répartissent en trois catégories : la rotation sectorielle, les erreurs temporaires d'évaluation et les performances spécifiques des actions. Bernut introduit également trois stratégies de trading classiques : suivi de tendance, retour à la moyenne et i-breed.
  
  
• 01:00:00 Laurent Bernut discute des inconvénients des stratégies classiques de suivi de tendance et de retour à la moyenne et souligne l'importance de l'évolution et de la prise de bénéfices à court terme. Cela permet aux traders de réaliser rapidement des bénéfices et d'augmenter le taux de gain, tandis que les transactions de type loterie peuvent durer à long terme. Il explique également la dynamique de la vente à découvert et la nécessité de comprendre la dérive de l'exposition nette, qui est fondamentale pour la vente à découvert. Enfin, il déclare que la gestion de l'argent est essentielle pour réaliser des bénéfices dans ce jeu.
  
  
• 01:05:00 L'orateur répond à une question sur son délai préféré pour la vente à découvert. Ils expliquent que leur style de vente à découvert suit les tendances, conformément à l'approche adoptée par leur ami Mike Covell, célèbre pour son podcast de suivi des tendances. Ils soulignent également l'importance de l'utilisation de l'emprunt lors de la vente à découvert, car cela indique l'implication des investisseurs institutionnels. Une fois que l'utilisation des emprunts dépasse 50, l'orateur affirme que c'est un signe que les investisseurs institutionnels ont quitté le bâtiment, et les seuls qui font baisser le stock sont les actionnaires stables qui ne vendront probablement pas. Par conséquent, il est crucial de suivre le cycle de rotation sectorielle et de s'y prendre tôt en termes relatifs, car il peut durer longtemps avant la fin de la rotation sectorielle.
  
  
• 01:10:00 Laurent Bernut aborde la notion d'exposition en bourse, notamment l'exposition brute, l'exposition nette et le beta net. Il explique que dans un marché haussier, les investisseurs seront généralement longs et auront un bêta net positif, tandis qu'ils vendront des actions défensives qui ont une volatilité plus faible et qui seront longues sur des actions à bêta élevé. Cependant, Bernut note qu'avoir un bêta net négatif est très difficile à atteindre et n'est fait que par quelques investisseurs dans le monde.
  
  
• 01:15:00 Laurent Bernut explique comment se positionner correctement dans un marché baissier sans avoir une exposition nette négative. Dans un marché baissier, des positions longues défensives doivent être prises dans des domaines à faible bêta tels que les services publics, les biens de consommation de base et l'alimentation. Ces avoirs peuvent être surdimensionnés en raison de leur faible volatilité. D'un autre côté, les actions à bêta élevé qui ont augmenté de façon exponentielle doivent être prises à la baisse car elles chuteront le plus durement. Cela créera un côté long lourd et un côté court plus léger et plus volatil, conduisant à une exposition nette qui est résiduellement positive. Bien que la sélection de titres ait échoué dans le passé, la vente à découvert concerne la gestion des risques et la taille des positions, ce qui en fait une stratégie pour survivre au marché baissier.
  
  
• 01:20:00 Laurent Bernut discute de l'importance d'étendre les gagnants afin de laisser les transactions rentables s'accumuler au fil du temps. Il conseille de prendre des bénéfices à forte probabilité dès le début, puis de laisser le reste de la transaction s'exécuter, ce qui permet le potentiel de gains importants grâce au suivi de la tendance. Cependant, lors de la vente à découvert, il est important de retirer rapidement de l'argent de la table en raison du risque de pénurie. Bernut souligne également que les ordres stop-loss ne doivent pas faire partie des décisions commerciales normales et ne doivent être placés qu'à un moment où la décision d'investissement est soit invalidée, soit annulée. Placer des ordres stop-loss dans la bande de volatilité peut entraîner du bruit et affecter négativement l'espérance de gain.
  
  
• 01:25:00 Laurent Bernut discute des stop-loss et comment ils sont la variable numéro un dans l'espérance de gain, car ils influencent trois des quatre variables - perte moyenne, taux de gain et taux de perte. Il conseille de faire des stop-loss une question logique et budgétaire et de les expérimenter pour trouver la meilleure solution. En réponse à une question sur la spécialisation dans la vente à découvert de matières premières, Bernut admet son manque de connaissances mais suggère que l'utilisation de sa méthode de prise de position relative et d'examen des régimes rend la négociation d'actions plus facile qu'il n'y paraît. Il conclut en soulignant que l'argent est gagné dans le module de gestion de l'argent et que la sélection de titres n'est pas le principal déterminant des rendements.
  
  
• 01:30:00 Laurent Bernut parle de l'importance des rendements de la gestion de l'argent et du fait qu'il n'y a pas que la sélection de titres qui génère les rendements. Il donne un exemple de la société Fidelity où différents portefeuilles avaient les mêmes actions mais avaient des rendements variables en raison de la taille de leurs investissements. Bernut poursuit ensuite en expliquant différents algorithmes de gestion de l'argent en utilisant un graphique comme exemple, y compris un poids égal, un risque égal, convexe et concave. Il compare les différents algorithmes à la conduite d'une voiture à différents rapports et souligne l'importance de moduler le risque en fonction des conditions du marché.
  
  
• 01:35:00 Laurent Bernut souligne l'importance du money management pour faire des gains dans le secteur financier. Il suggère que les plus grandes avancées seront réalisées dans le dimensionnement des positions, la gestion des risques et la gestion de portefeuille. Il pense que la modulation des lignes de fond concaves et convexes peut être utilisée pour moduler le risque et créer un profil de risque différent, ce qui est un moyen efficace de gérer la taille du portefeuille investi dans une transaction. Selon Bernut, c'est là que l'apprentissage automatique et l'IA contribueront au cours de la prochaine génération à faire de grands progrès dans la finance.
  
  
• 01:40:00 Laurent Bernut répond aux questions des téléspectateurs sur la gestion du risque, l'optimisation Black Litterman dans un portefeuille long-short et la relation entre les portefeuilles long-short et l'effet de levier. Bernut explique que la gestion du risque implique de savoir quand réaccélérer ou décélérer lentement, tandis que tirer parti d'un portefeuille long-short peut amplifier les rendements, mais peut également être une épée à double tranchant s'il n'est pas utilisé avec précaution. Il note également que bien qu'il n'ait pas personnellement utilisé l'optimisation Black Litterman, il s'agit d'une itération de plafonnement. Enfin, Bernut partage son approche personnelle consistant à utiliser le risque ouvert et le rendement ajusté au risque relatif pour gérer le risque dans son propre trading.
  
  
• 01:45:00 Laurent Bernut évoque sa préférence pour une gestion autonome des stocks plutôt qu'une approche composite. En ce qui concerne les délais, il négocie quotidiennement car le marché offre de nombreuses opportunités à ce niveau. Il pense également qu'il est plus facile d'avoir une attente positive à plus long terme, mais cela pourrait entraîner des rendements inférieurs et un roulement plus lent. Enfin, Bernut aborde le défi du commerce contre les ordinateurs, nous rappelant que nous sommes en concurrence avec eux plutôt que d'être punis par eux.
  
  
• 01:50:00 Laurent Bernut discute de l'utilisation de l'IA et de l'apprentissage automatique dans le commerce de détail. Il pense que l'utilisation de l'IA et de l'apprentissage automatique pour les prévisions de marché est vouée à l'échec car le hasard est là pour rester. Quant aux commerçants qui construisent des institutions, c'est plus facile qu'on ne le pense. On peut sauter sur la queue des grandes institutions en observant où les volumes se déplacent et où les stocks ont tendance. Bien que les commerçants de détail ne puissent pas battre les grandes institutions dans le trading à haute fréquence, ils peuvent toujours négocier des tendances et des niches qui ne nécessitent pas de recherches approfondies. Dans l'ensemble, Bernut déconseille d'essayer de rivaliser avec les grandes institutions dans le commerce pick-by-pick et encourage à trouver des zones qui permettent une entrée et un succès plus faciles.
  
  
• 01:55:00 Laurent Bernut explique comment les vendeurs à découvert ont un avantage à traiter les informations plus rapidement que les analystes et comment il est important de trouver votre créneau et de se concentrer sur les attentes négatives. Lorsqu'on lui a demandé de garder un état d'esprit de vente à découvert, Bernut conseille de rester humble et d'accepter quand vous vous trompez, de passer à autre chose et de fixer des stop loss. Il compare même la chasse au stock à la pêche, expliquant comment être impitoyable pour réduire les stocks et élargir votre filet. Enfin, il répond si les traders à basse et moyenne fréquence ont une chance contre les traders à haute fréquence, déclarant qu'il ne s'agit pas que le HFT soit plus rentable, mais plus que chaque trader trouve sa propre niche et réussisse à part entière.
  
  
• 02:00:00 L'orateur discute du rôle des HFT dans le trading et comment ils agissent essentiellement comme une taxe qui prend une réduction quoi qu'il arrive. Il mentionne également que gagner en HFT est une course aux armements, et c'est soit vous êtes en tête du peloton, soit vous payez le déjeuner de quelqu'un d'autre. Plutôt que de regarder les tendances en termes de temps, il pense que le temps n'est pas le bon contenant et qu'il vaut mieux regarder le régime à la place. En termes d'exposition longue par rapport à courte, il parle des modèles standard d'extension longue 130/30 ou 140/40 utilisés par les quants ou les flingueurs dans les fonds communs de placement. Celles-ci sont populaires car elles sont toujours classées comme longues uniquement dans le jeu de l'allocation d'actifs, mais il suggère d'envisager un indice de référence du bêta net autre que les niveaux d'exposition bruts.
  
  
• 02:05:00 L'orateur explique comment fonctionne la stratégie 130/30 en termes d'allocation d'actifs et comment le résidu est toujours classé comme long. La stratégie 130/30 signifie avoir 130% de positions longues et 30% de positions courtes, donnant une exposition nette de 100% et un solde de trésorerie proche de zéro. Les fonds utilisant cette stratégie peuvent toujours être classés comme long-only et référencés sur leurs indices respectifs. L'orateur fournit un point académique intéressant quant à savoir si un mandat bêta net serait possible, mais partage qu'il s'agit d'une question technique à laquelle il n'a pas pensé auparavant. La session se termine ici avec une suggestion de donner des commentaires et de poser des questions, et un rappel pour assister à la prochaine session sur l'utilisation des sentiments et des données alternatives dans le trading.

[MetaQuotes]

Comment choisir les meilleures actions et le commerce en direct par le Dr Hui Liu | Algo Trading Week Jour 2

Comment choisir les meilleures actions et le commerce en direct par le Dr Hui Liu | Algo Trading Week Jour 2

Lors de l'introduction à Algo Trading Week Day 2, l'orateur reconnaît les sessions précédentes mettant en vedette des experts en trading quantique et algo. Ils mentionnent brièvement les précieuses informations partagées par ces experts, préparant le terrain pour la présentation du jour. Le jour 2 se concentre sur la sélection des meilleures actions et la négociation en direct, le Dr Hui Liu prenant la tête en tant que présentateur.

Le conférencier souligne également le concours Algo Trading en cours, qui comprend trois tests distincts couvrant les fondements du trading quantitatif et algorithmique. Les gagnants du concours seront annoncés en septembre, ajoutant un élément d'anticipation et d'excitation à l'événement. De plus, l'orateur révèle que la session du lendemain sera une masterclass de deux heures sur la vente à découvert, dirigée par Aloha Bendu. L'horaire de ce cours sera ajusté pour accueillir les participants de différents fuseaux horaires.

Le Dr Hui Liu commence sa présentation en discutant du processus de génération d'une idée de trading, de sa validation et de la construction d'un modèle d'apprentissage automatique pour tester ses performances historiques. Il suggère que les traders peuvent tirer des idées en lisant des rapports financiers ou en surveillant les plateformes de médias sociaux pour évaluer les performances d'une entreprise. Le Dr Liu présente également le SPY ETF, qui suit l'indice S&P 500 et sert de précieuse source de données historiques. Il souligne l'importance d'utiliser des modèles statistiques et d'effectuer des backtestings pour valider les idées de trading avant de créer un robot de trading à l'aide d'iBridgePi.

Les bases du trading de tendance et l'importance d'acheter bas et de vendre haut sont ensuite expliquées par le Dr Liu. Il élabore sur la collecte de données historiques et l'utilisation de Python sur Jupyter Notebook pour développer un modèle d'apprentissage automatique. Le Dr Liu montre comment le modèle peut être utilisé pour créer un filtre d'actions, aidant à l'identification des actions les plus prometteuses à des fins commerciales. Il souligne l'importance de vérifier les idées de trading par le backtesting et le trading en direct.

Dans son segment suivant, le Dr Liu propose une démonstration pratique de l'utilisation de Python pour récupérer des données historiques de l'API Yahoo Finance et les manipuler pour créer un modèle d'apprentissage automatique. Plus précisément, il récupère les données de barre quotidiennes pour le SPY et utilise la fonction "demander des données historiques". Le Dr Liu ajoute des colonnes supplémentaires aux données qui calculent la variation en pourcentage du prix de clôture du jour précédent au jour actuel, ainsi que du jour actuel au jour suivant. Il explique qu'une variation négative des prix de clôture d'hier à aujourd'hui, combinée à une variation positive d'aujourd'hui à demain, signifie une opportunité d'acheter des actions lorsque le prix baisse, car sa prédiction suggère une augmentation imminente des prix.

Le processus de construction d'un modèle d'apprentissage automatique pour prédire les cours des actions est ensuite détaillé par le Dr Liu. Il acquiert des données sur le prix de clôture, la variation de prix d'hier et la variation de prix d'aujourd'hui à demain. En utilisant un modèle de régression linéaire, il ajuste les données et analyse les résultats. Le Dr Liu affiche un graphique où la ligne noire représente les prédictions du modèle d'apprentissage automatique, tandis que les points de données dispersés représentent les cours quotidiens des actions de Yahoo Finance pour le S&P 500. Il explique qu'un coefficient négatif signifie une corrélation négative, indiquant que lorsque le le prix baisse, il est susceptible d'augmenter, et vice versa. Le Dr Liu envisage la viabilité de l'utilisation de ce modèle pour le trading automatisé afin de générer potentiellement des bénéfices.

Le Dr Liu poursuit en discutant du processus de sélection des meilleures actions et de la négociation en direct. Il recommande aux traders d'examiner le prix à la fin de la journée de négociation pour déterminer son mouvement à la hausse ou à la baisse avant de passer des ordres près de la clôture du marché. Il démontre la construction d'un filtre d'actions pour mieux comprendre comment le modèle fonctionne avec diverses actions et identifie les actions favorables à suivre. Le Dr Liu reconnaît que son modèle est relativement simpliste, s'appuyant sur le prix d'hier pour prédire celui de demain, et envisage donc l'incorporation d'indicateurs avancés tels que la divergence de convergence moyenne mobile (MACD) pour améliorer la précision des prévisions et filtrer les transactions.

L'utilisation de la MACD pour prédire et filtrer les actions est explorée par le Dr Liu, ainsi qu'une comparaison avec le modèle d'achat à bas prix et de vente à prix élevé. Il présente les résultats obtenus lors de l'utilisation des MACD 10 et 30 sur le SPY, révélant une tendance relativement faible. Par conséquent, le Dr Liu conclut que l'utilisation de la MACD pour les prévisions futures peut ne pas donner des résultats aussi favorables qu'auparavant. Il discute ensuite de la construction d'un modèle statistique d'apprentissage automatique et considère le modèle d'achat à bas prix et de vente à prix élevé comme un moyen potentiel de générer des profits. Le Dr Liu met en avant Average Pi, une plateforme Python facilitant le backtesting et le trading en direct, soulignant sa fonction de confidentialité à 100 %, sa compatibilité avec plusieurs comptes et sa flexibilité en termes de fournisseurs de données. Il illustre la simplicité et l'efficacité de la construction d'un modèle d'achat bas de vente élevé en Pi moyen en utilisant seulement quelques lignes de code.

Le Dr Liu explique le processus de configuration d'une configuration pour le trading à l'aide d'Algo Trading Week Day 2. Il met l'accent sur l'exécution de la fonction d'initialisation au début pour définir les variables et établir la configuration. À titre d'exemple, il planifie l'exécution de la fonction "acheter bas, vendre haut" chaque jour de bourse, une minute avant la fermeture du marché, lui ordonnant d'investir 100 % du portefeuille dans le SPY si le prix d'hier était inférieur à celui d'aujourd'hui. Le Dr Liu se penche sur le sujet du backtesting, illustrant comment les données historiques des courtiers ou des fournisseurs tiers peuvent être utilisées sur différentes périodes, y compris minute par minute, toutes les heures ou tous les jours.

Ensuite, le Dr Liu démontre le processus de backtesting d'une stratégie choisie en utilisant différents fournisseurs de données et packages. Il conseille de sélectionner une heure de début et une heure de fin pour la période de backtesting, ainsi que de confirmer le fournisseur de données choisi pour l'exécution. Passant au mode démo, le Dr Liu présente le processus, indiquant que les fournisseurs de données comme Interactive Brokers (IB) ou les données historiques locales peuvent être utilisés pour les stratégies de backtesting. Il fournit des conseils sur la configuration de la configuration du backtesting, en utilisant les données historiques disponibles stockées dans des fichiers locaux.

Le Dr Liu poursuit en démontrant l'utilisation du backtesting pour tester l'efficacité d'une stratégie de trading à l'aide de données historiques. Il reconnaît le défi d'obtenir des données de barre quotidiennes significatives pour de longues périodes de backtesting. Pour surmonter cet obstacle, il introduit le concept de données de barre minute simulées, où le prix de clôture de la barre quotidienne peut être utilisé pour simuler les données. Cela simplifie le processus pour les commerçants qui ont du mal à accéder aux données précises requises à des fins de backtesting.

Le Dr Liu présente les résultats d'un backtesting d'un modèle "buy low sell high" par rapport à une stratégie d'achat et de conservation pour le S&P 500 de 2000 à 2020. Le modèle surpasse la stratégie d'achat et de conservation, résultant en un portefeuille valeur de 800 000 $ comparativement à 200 000 $. Il reconnaît que malgré la faible corrélation observée par simple régression linéaire, le modèle produit toujours des résultats positifs. Le Dr Liu passe ensuite au sujet du trading en direct, indiquant qu'il peut être aussi simple que de modifier deux lignes de code pour sélectionner la stratégie souhaitée et saisir le code de compte pour Interactive Brokers avant d'exécuter le programme. Il conclut la présentation en invitant les participants à le contacter par e-mail pour obtenir de l'aide en matière de codage ou pour organiser une réunion en personne à San Jose, en Californie.

Au cours de la session de questions-réponses, une question est posée concernant la certitude d'une stratégie backtestée fournissant des résultats identiques dans les transactions en direct. Le Dr Liu explique que si les données historiques représentent le passé et que le modèle peut présenter une stabilité statistique, le prix lui-même est volatil, en particulier près de la clôture du marché. Par conséquent, les variations dans la prédiction de l'avenir sont inévitables. Cependant, sur une période prolongée, le modèle global devrait rester vrai. Il note qu'il utilise le modèle de régression linéaire en raison de sa simplicité et de sa facilité de compréhension, mais il reconnaît que des modèles d'apprentissage automatique plus sophistiqués pourraient potentiellement donner de meilleurs résultats. Le Dr Liu aborde également la question des coûts de transaction et du glissement, déclarant qu'ils doivent être pris en compte lors de la mise en œuvre de stratégies de trading en direct et peuvent avoir un impact sur la performance globale de la stratégie.

Une autre question est soulevée concernant l'utilisation d'autres indicateurs techniques en conjonction avec le modèle acheter bas vendre haut. Le Dr Liu répond en soulignant la flexibilité de la plateforme Average Pi, qui permet aux traders d'intégrer des indicateurs supplémentaires dans leurs stratégies. Il mentionne que l'indicateur de divergence de convergence moyenne mobile (MACD) pourrait être un ajout précieux pour filtrer les transactions et améliorer la précision des prévisions.

Un participant s'interroge sur l'importance de l'intervalle de temps entre le signal de trading et la clôture du marché. Le Dr Liu explique que l'intervalle de temps choisi dépend des préférences individuelles et des stratégies de trading. Cela peut prendre quelques minutes ou même quelques heures avant la clôture du marché, selon le temps d'exécution souhaité. Il conseille aux traders d'expérimenter différents intervalles de temps pour trouver ce qui fonctionne le mieux pour leurs stratégies spécifiques.

En réponse à une question sur l'impact de la volatilité du marché sur le modèle d'achat à bas prix et de vente à prix élevé, le Dr Liu reconnaît qu'une volatilité accrue peut potentiellement générer davantage d'opportunités de trading. Cependant, il avertit qu'une volatilité plus élevée comporte également un risque plus élevé, et les traders doivent soigneusement examiner leur tolérance au risque et ajuster leurs stratégies en conséquence.

Un participant s'interroge sur les limites potentielles du modèle d'achat à bas prix et de vente à prix élevé. Le Dr Liu reconnaît que la simplicité du modèle est à la fois une force et une limite. Bien qu'il puisse générer des résultats positifs, il se peut qu'il ne capture pas les dynamiques de marché plus complexes et qu'il puisse potentiellement manquer certaines opportunités de trading. Il suggère que les traders qui souhaitent explorer des stratégies et des modèles plus avancés devraient envisager de plonger plus profondément dans la finance quantitative et d'explorer d'autres algorithmes d'apprentissage automatique.

La session de questions-réponses se termine avec le Dr Liu exprimant sa volonté d'aider les participants pour toute autre question ou aide au codage, les encourageant à le contacter par e-mail.

• 00:00:00 L'orateur présente l'Algo Trading Week Day 2 et évoque brièvement les sessions précédentes avec des experts du trading quantitatif et algo. L'objectif de la présentation de la journée est de savoir comment choisir les meilleures actions et le commerce en direct, présenté par le Dr Hui Liu. L'orateur évoque également brièvement l'Algo Trading Competition et ses trois tests différents sur les piliers du trading quantitatif et algorithmique, dont les gagnants seront annoncés fin septembre. La session de demain sera une masterclass de deux heures sur la vente à découvert par Aloha Bendu, qui se déroulera plus tôt que d'habitude en fonction de l'emplacement du participant.
  
  
• 00:05:00 Le Dr Hui Liu explique comment proposer une idée de trading, la valider, puis créer un modèle d'apprentissage automatique pour tester les performances dans le passé. Il suggère que la lecture de rapports financiers ou l'utilisation des médias sociaux pour se faire une idée de la performance d'une entreprise peut être un moyen de trouver une idée de trading. Il parle ensuite de l'ETF SPY qui suit l'indice S&P 500 et comment il peut être utilisé comme source de données historiques. Le Dr Liu mentionne également l'utilisation de modèles statistiques et de backtesting pour valider l'idée de trading avant de créer un robot de trading à l'aide d'iBridgePi.
  
  
• 00:10:00 Le Dr Hui Liu discute des bases du trading de tendance et de l'importance d'acheter à bas prix et de vendre à prix élevé. S'appuyant sur ce concept, il explique comment collecter des données historiques et créer un modèle d'apprentissage automatique à l'aide de Python sur Jupyter Notebook. Il montre également comment utiliser le modèle pour créer un filtre d'actions qui peut aider à identifier les meilleures actions à négocier. Enfin, il souligne l'importance de vérifier vos idées de trading par le biais de backtesting et de trading en direct.
  
  
• 00:15:00 Le Dr Hui Liu montre comment utiliser Python pour récupérer des données historiques à partir de l'API Yahoo Finance et manipuler les données pour créer un modèle d'apprentissage automatique. Les données sont récupérées pour SPY avec une barre quotidienne et la fonction utilisée pour récupérer les données historiques est "demander des données historiques". Pour créer un modèle d'apprentissage automatique, le Dr Liu ajoute quelques colonnes qui calculent la variation de prix de clôture d'hier à aujourd'hui et d'aujourd'hui à demain, en pourcentage. Il explique que si le changement de prix de clôture d'hier à aujourd'hui est négatif et que le changement de prix de clôture d'aujourd'hui à demain est positif, cela signifie qu'il y a une opportunité d'acheter des actions lorsque le prix baisse, car sa prédiction est que le prix baissera en haut.
  
  
• 00:20:00 Le Dr Hui Liu explique son processus de création d'un modèle d'apprentissage automatique pour prédire les cours des actions. Il commence par collecter des données sur le prix de clôture, la variation de prix d'hier et la variation de prix d'aujourd'hui à demain. Il utilise ensuite un modèle de régression linéaire pour ajuster les données et analyse les résultats. La ligne noire sur le graphique représente les prédictions du modèle d'apprentissage automatique, et les points de données dispersés représentent les cours quotidiens des actions de Yahoo Finance pour le S&P 500. Liu explique qu'un coefficient négatif signifie une corrélation négative, ce qui indique que lorsque le prix baisse, il est susceptible d'augmenter, et lorsque le prix augmente, il est susceptible de baisser. En fin de compte, Liu se demande si ce modèle peut être utilisé pour le trading automatisé afin de potentiellement réaliser un profit.
  
  
• 00:25:00 Le Dr Hui Liu explique comment choisir les meilleures actions et le commerce en direct. Il suggère que les commerçants regardent le prix à la fin d'une journée de négociation pour voir si le prix monte ou baisse, puis passent leurs ordres à la fin du marché de négociation. Il montre comment construire un stock screener pour comprendre comment le modèle fonctionne pour d'autres actions et quelle action est la bonne à suivre. Le Dr Liu explique que son modèle est trop simple car il utilise le prix d'hier pour prédire demain, il envisage donc d'utiliser un indicateur avancé comme la divergence de convergence moyenne mobile (MACD) pour prédire et filtrer les transactions.
  
  
• 00:30:00 Le Dr Hui Liu discute de l'utilisation de MACD pour prédire et filtrer les actions, et comment il se compare au modèle d'achat bas et vente élevé. Il montre les résultats lors de l'utilisation de MACD 10 et 30 sur Spy, révélant une tendance relativement faible, et conclut que l'utilisation de MACD pour les prévisions futures ne sera pas aussi efficace qu'auparavant. Le Dr Liu discute de la construction d'un modèle d'apprentissage automatique statistique et de l'examen du modèle d'achat à bas prix et de vente à prix élevé pour potentiellement réaliser un profit. Il passe ensuite à discuter de l'utilisation d'Average Pi, une plate-forme Python pour le backtesting et le trading en direct, en mettant l'accent sur sa fonction de confidentialité à 100 %, qui permet de gérer plusieurs comptes et d'utiliser n'importe quel fournisseur de données pour le backtesting. Enfin, le Dr Liu explique comment créer un modèle d'achat bas et de vente élevé dans Average Pi avec seulement quelques lignes de code, soulignant sa simplicité et son efficacité.
  
  
• 00:35:00 Le Dr Hui Liu explique le processus de configuration d'une configuration pour le trading à l'aide d'Algo Trading Week Day 2. Le Dr Liu exécute la fonction d'initialisation au début de l'exécution pour définir les variables et configurer la configuration. Dans un exemple, le Dr Liu programme la fonction "acheter bas, vendre haut" pour qu'elle s'exécute chaque jour de bourse, une minute avant la clôture du marché, et achète 100 % de son portefeuille dans SPY si le prix d'hier était inférieur au prix d'aujourd'hui. Le Dr Liu poursuit en expliquant comment effectuer des backtests à l'aide de données historiques provenant de courtiers ou de fournisseurs de données tiers minute par minute, heure par heure ou jour par jour.
  
  
• 00:40:00 Le Dr Hui Liu montre comment tester la stratégie choisie en utilisant différents fournisseurs de données et packages. Il explique que le moyen le plus simple de backtester est de choisir une heure de début, de choisir une heure de fin pour le backtesting et de confirmer le fournisseur de données pour l'exécuter. Le Dr Liu passe en mode démo pour montrer le processus et mentionne que l'on peut utiliser un fournisseur de données comme IB ou des données historiques locales pour tester sa stratégie. Il explique en outre comment configurer le processus de backtesting tout en utilisant les données historiques disponibles dans le fichier local.
  
  
• 00:45:00 Le Dr Hui Liu montre comment utiliser le backtesting pour tester l'efficacité d'une stratégie de trading à l'aide de données historiques. Il explique que les données doivent être significatives, mais les traders peuvent avoir du mal à trouver des données quotidiennes sur les barres pendant de longues périodes de backtesting. Cependant, pour résoudre ce problème, il introduit le concept de données de barre minute simulées, où si les données ne sont pas disponibles, le prix de clôture de la barre quotidienne peut être utilisé pour simuler les données. Cela peut aider à simplifier le processus pour les commerçants qui ont du mal à trouver les données correctes pour le backtesting.
  
  
• 00:50:00 Le Dr Hui Liu démontre les résultats du backtesting d'un modèle "acheter bas vendre haut" par rapport à une stratégie d'achat et de conservation pour le S&P 500 de 2000 à 2020. Le modèle a surperformé la stratégie d'achat et de conservation , donnant une valeur de portefeuille de 800 000 $ comparativement à 200 000 $. Il note que même si la corrélation utilisant la régression linéaire simple était un petit nombre, elle a quand même produit de bons résultats. Le Dr Liu passe ensuite au trading en direct, ce qui, selon lui, est aussi simple que de changer seulement deux lignes de code pour choisir la stratégie et saisir le code de compte pour IB (Interactive Brokers) avant d'exécuter le programme. Il conclut la présentation en invitant les participants à le contacter par e-mail pour obtenir de l'aide en matière de codage ou à se rencontrer en personne s'ils se trouvent à San Jose, en Californie.
  
  
• 00:55:00 Le Dr Hui Liu aborde une question sur la certitude d'une stratégie backtestée fournissant des résultats identiques sur les transactions en direct. Il explique que les données historiques ne sont que le passé, et bien qu'un modèle puisse être statistiquement stable, le prix est volatil, en particulier à proximité de la clôture du marché. Par conséquent, il y aura toujours des variations pour prédire l'avenir, mais pendant une longue période, le modèle global sera toujours vrai. Il note que la raison pour laquelle il utilise le modèle de régression linéaire est qu'il est le plus facile à comprendre, mais d'autres modèles peuvent être utilisés, comme le modèle de forêt aléatoire. Cependant, il serait difficile d'expliquer brièvement le modèle, et des modèles plus simples devraient être utilisés pour éviter le surajustement.
  
  
• 01:00:00 Le Dr Liu explique à quelle fréquence recycler un modèle et comment gérer les risques par stop loss ou take profit. Il suggère que le recyclage dépend du type de modèle et de la quantité de données dont vous disposez ; avoir plus de données conduira à de meilleurs résultats et à une meilleure prévisibilité. Lorsqu'il s'agit de gérer le risque par stop loss, il conseille que bien qu'il soit difficile de l'intégrer directement dans le modèle, il peut être incorporé dans un cadre de backtesting pour mettre en place un point stop loss et comparer les résultats avec une stratégie sans stop loss. Enfin, il met en garde les traders réguliers contre l'implication dans le trading à haute fréquence car il n'y a aucun moyen de battre les institutions dans ce domaine.
  
  
• 01:05:00 Le Dr Hui Liu discute du niveau le plus bas nécessaire au backtest et de la quantité de données requises pour des résultats fiables. Il dit que le niveau le plus bas pour des tests fiables est le plus grand nombre de points de données que vous pouvez obtenir, et vous devez utiliser votre jugement en fonction des barres quotidiennes ou horaires. Il suggère que lorsque vous comparez le nombre de facteurs à votre modèle, pour chaque facteur, vous devriez avoir une centaine de points de données pour s'adapter à votre modèle, sinon votre modèle ne sera pas aussi bon. Enfin, les hôtes expriment leur gratitude au Dr Liu et annoncent le prochain cours.

[MetaQuotes]

Comment devenir un quant à succès | Dr Ernest Chan | Algo Trading Week Jour 1

Comment devenir un quant à succès | Dr Ernest Chan | Algo Trading Week Jour 1

La séance de questions-réponses avec le Dr Ernest Chan commence par la présentation par le conférencier d'un concours de trading algorithmique conçu pour offrir aux débutants l'occasion d'apprendre les bases du trading algorithmique tout en permettant aux experts de rafraîchir leurs connaissances. Le concours offre des prix tels que des bourses et des certificats de réussite pour les trois premiers gagnants. Le Dr Chan, fondateur et PDG de PredictNow.ai et de QTS Capital Management, ainsi que l'auteur de trois livres sur le trading quantitatif, partage son expertise avec le public.

Le Dr Chan commence par souligner la prédominance du trading quantitatif au cours de la dernière décennie, avec des estimations suggérant que jusqu'à 90% du volume des transactions sur les bourses américaines est attribué au trading algorithmique. S'il ne prétend pas que le trading quantitatif est supérieur au trading discrétionnaire, il souligne l'importance de ne pas négliger l'opportunité d'automatiser ou de systématiser les stratégies de trading. En termes de commerçants individuels en concurrence avec les institutions, le Dr Chan suggère que les stratégies de niche avec une capacité limitée offrent la meilleure opportunité. Ces stratégies sont souvent peu attrayantes pour les grandes institutions et impliquent des transactions peu fréquentes, ce qui en fait des options viables pour les traders indépendants.

La discussion se poursuit avec le Dr Chan abordant l'importance de trouver une niche dans le trading algorithmique où les grandes institutions ne sont pas en concurrence. Il déconseille la concurrence directe avec de grands acteurs et recommande de rechercher des domaines où il y a peu ou pas de concurrence. Le Dr Chan répond aux questions sur l'importance d'avoir un doctorat. dans le trading quantitatif et algorithmique. Il souligne qu'avoir «la peau dans le jeu», c'est-à-dire mettre son propre argent en jeu, est crucial pour devenir un quant à succès. Il suggère que les traders se concentrent sur le développement d'une compréhension intuitive du marché en testant eux-mêmes les stratégies de trading et en lisant des blogs et des livres sur le trading, plutôt que de s'appuyer uniquement sur des connaissances théoriques.

Le Dr Chan conseille qu'un trader quantitatif qui réussisse devrait donner la priorité à l'expérience pratique et à la compréhension du marché plutôt qu'à un doctorat. Il note qu'il faut du temps pour devenir un quant à succès et suggère de se distinguer lorsqu'on cherche à rejoindre un fonds top quant en écrivant une recherche originale sous la forme d'un livre blanc, se concentrant sur une stratégie de trading ou un phénomène de marché spécifique. Il prévient qu'un court historique, comme un seul échange réussi, n'est pas suffisant pour prouver la cohérence et les connaissances. En réponse à une question sur l'intégration des données de flux d'ordres dans les stratégies de trading, le Dr Chan reconnaît sa valeur en tant qu'indicateur mais souligne qu'il doit être utilisé conjointement avec d'autres indicateurs, car aucun indicateur n'est complet en soi.

Les limites de l'utilisation d'indicateurs individuels pour construire une stratégie de trading sont discutées par le Dr Chan. Il souligne que de nombreuses personnes utilisent ces indicateurs, ce qui réduit leur efficacité. Il suggère de les intégrer comme l'une des nombreuses fonctionnalités d'un programme d'apprentissage automatique. Interrogé sur l'âgisme dans l'industrie quantitative, le Dr Chan souligne que si quelqu'un opère en tant que propriétaire unique, l'âgisme n'est pas un problème. Il partage également son point de vue sur l'utilisation de l'apprentissage automatique pour générer de l'alpha, mettant en garde contre le risque de surajustement et le recommandant plutôt comme outil de gestion des risques. Concernant le trading à faible latence, le Dr Chan soutient que le trading quantitatif est une nécessité dans ce domaine. Enfin, il conseille qu'au-delà d'un palmarès réussi, les compétences en gestion sont essentielles pour quiconque cherche à démarrer un fonds spéculatif quantitatif.

Le Dr Chan souligne qu'une gestion de fonds réussie implique non seulement des compétences en négociation, mais également des compétences en gestion et en développement des affaires. Avoir des qualités de leadership et une formation en gestion d'entreprise est crucial. Interrogé sur la compréhension quantitative du marché indien, il admet qu'il manque de connaissances principalement en raison de la réglementation. Sur la question de savoir combien de temps il faut consacrer au trading sur papier avant de mettre en place une stratégie, le Dr Chan explique que cela dépend de l'efficacité du trading. Pour les stratégies de trading à haute fréquence qui exécutent des transactions toutes les secondes, deux semaines de trading sur papier peuvent suffire pour être mises en ligne. À l'inverse, pour les stratégies de détention, des transactions sur papier pendant trois mois peuvent être nécessaires pour obtenir une signification statistique basée sur le nombre de transactions effectuées.

Le Dr Chan discute en outre de la question de savoir si l'approche des séries chronologiques devrait toujours être au cœur de son portefeuille d'alpha, malgré des études récentes montrant que les alphas rentables sont principalement non basés sur les prix. Il suggère d'assister à des conférences de l'industrie, de réseauter avec des professionnels via des plateformes comme LinkedIn et de se forger une solide expérience dans le commerce pour attirer l'attention de quants expérimentés. Il encourage les individus à rechercher des mentors et à prendre des mesures proactives pour atteindre des collaborateurs potentiels.

Ensuite, le Dr Chan partage ses idées sur la façon d'embaucher et de former une équipe de négociation quantitative performante. Il conseille aux personnes embauchées de posséder une expertise démontrée dans la fonction spécifique sur laquelle l'équipe se concentre, qu'il s'agisse de la gestion des risques, de la tarification des produits dérivés ou de la science des données. Si l'objectif de l'équipe est de développer des stratégies de trading rentables, il est préférable d'embaucher quelqu'un qui a déjà une expérience dans ce domaine. De plus, le Dr Chan souligne qu'il n'existe pas de marché idéal pour le trading et que les équipes doivent se concentrer sur ce qu'elles connaissent le mieux. Il explique également comment les traders à haute fréquence ont un avantage pour prédire la direction du marché à court terme par rapport aux traders à moyenne et basse fréquence.

La discussion se poursuit avec le Dr Chan plongeant dans le défi de prédire avec précision les mouvements du marché au-delà de courts délais et les complexités liées à l'utilisation des prédictions de trading à haute fréquence. Il partage son approche personnelle du trading, qui consiste à embaucher des traders qualifiés au lieu de trader lui-même. Le Dr Chan souligne l'importance d'embaucher des commerçants ayant de solides antécédents, qu'ils emploient des stratégies discrétionnaires ou quantitatives. Interrogé sur son taux de croissance annuel cumulé, il précise qu'il ne peut pas divulguer ces informations en raison des réglementations de la SEC. Enfin, il note que les traders quantitatifs n'utilisent généralement pas la même stratégie dans toutes les classes d'actifs, ce qui rend difficile la comparaison de langages de programmation comme Python et MATLAB à des fins de trading algorithmique.

Le Dr Chan discute de l'utilisation de MATLAB et de Python dans le trading, reconnaissant que bien qu'il préfère personnellement MATLAB, différents traders ont leurs propres préférences, et le choix de la langue n'est pas le facteur le plus critique. Il estime que l'optimisation des coûts de transaction est difficile même pour les experts dans le domaine, elle ne devrait donc pas être une priorité absolue pour les commerçants. En ce qui concerne la révision ou le recyclage des stratégies d'apprentissage automatique, il suggère de ne le faire que lorsque le régime du marché subit des changements importants. Il recommande également d'élargir les opportunités en apprenant de nouveaux langages tels que Python ou MATLAB pour améliorer les compétences en trading.

Le Dr Chan conclut la session en offrant des conseils de carrière aux personnes intéressées à devenir des commerçants quantitatifs. Il suggère d'explorer différents domaines, tels que le trading d'options, pour mieux comprendre les forces et les faiblesses personnelles. Il mentionne que son objectif actuel consiste à rendre son système de gestion des risques basé sur l'apprentissage automatique plus largement disponible et précise qu'il n'a pas l'intention de publier une deuxième édition de son livre de trading automatique dans un proche avenir. Lors de l'embauche de traders, il recherche des antécédents longs et cohérents et recommande d'utiliser des techniques de séries chronologiques et des modèles économétriques pour négocier à court terme. Les stratégies de sortie doivent s'aligner sur la stratégie de trading spécifique, avec des sorties cibles d'arrêt ou de profit mises en œuvre en conséquence.

À la fin de la vidéo, l'hôte exprime sa gratitude au Dr Ernest Chan pour ses précieuses idées et le temps qu'il a passé à répondre à une variété de questions liées à la réussite d'un quant. Les téléspectateurs sont encouragés à envoyer par e-mail toutes les questions sans réponse pour s'assurer qu'elles sont traitées. L'hôte annonce des sessions supplémentaires dans la semaine à venir avec d'autres invités estimés dans le domaine du trading algorithmique, exprimant sa gratitude pour le soutien du public et l'encourageant à continuer à se connecter.

• 00:00:00 Cette session de questions-réponses avec le Dr Ernest Chan, les questions du public seront abordées parallèlement aux questions présélectionnées. Avant de plonger dans les questions-réponses, le conférencier a présenté le concours de trading algorithmique qui offre aux débutants l'occasion d'apprendre les bases du trading algorithmique tout en permettant aux experts de parfaire leurs connaissances. Les trois premiers gagnants du concours recevront des prix tels que des bourses et des certificats de réussite. Le Dr Chan est le fondateur et PDG de PredictNow.ai et de QTS Capital Management, et auteur de trois livres sur le trading quantitatif.
  
  
• 00:05:00 Le Dr Ernest Chan explique que le trading quantitatif est déjà une forme dominante de trading depuis 10 ans, certaines estimations suggérant que jusqu'à 90% du volume des transactions sur les bourses américaines est dû au trading algorithmique. S'il ne prétend pas que le trading quantitatif est meilleur que le trading discrétionnaire, il souligne qu'ignorer l'opportunité d'automatiser ou de systématiser sa stratégie ne serait pas judicieux. En ce qui concerne les commerçants individuels en concurrence avec les institutions, le Dr Chan suggère que les stratégies de niche avec une capacité limitée présentent la meilleure opportunité. Ces stratégies sont souvent peu attrayantes pour les grandes institutions et impliquent des transactions peu fréquentes, ce qui en fait des options viables pour les traders indépendants.
  
  
• 00:10:00 Le Dr Ernest Chan discute de l'importance de trouver une niche dans le trading d'algo où les grandes institutions ne sont pas en concurrence et évitent la concurrence à tout prix. Il déconseille de rivaliser avec de gros joueurs et recommande de trouver un créneau où il n'y a pas de concurrence. Il répond également aux questions sur l'importance d'avoir un doctorat. dans le trading quantitatif et algo, où il conseille qu'avoir de la peau dans le jeu est crucial pour devenir un quant à succès. Sans mettre votre propre argent en jeu, on n'apprendra jamais à trader et à se concentrer sur des matières secondaires telles que les mathématiques ou la science des données. Il est essentiel de développer une compréhension intuitive du marché en testant vous-même les stratégies de trading et en lisant des blogs et des livres sur le trading.
  
  
• 00:15:00 Le Dr Ernest Chan conseille à un trader quantitatif performant de se concentrer sur les marchés eux-mêmes plutôt que sur les connaissances théoriques acquises grâce à un doctorat. Il suggère qu'un accent particulier sur l'expérience pratique est nécessaire et qu'il faut du temps pour devenir un quant réussi. Pour se distinguer lorsqu'on cherche à rejoindre un fonds top quant, il recommande de rédiger une recherche originale sous la forme d'un livre blanc, en se concentrant sur une stratégie de trading ou un phénomène de marché particulier. Il avertit également qu'un court historique, comme un échange réussi, n'est pas suffisant en soi pour prouver la cohérence et les connaissances. En réponse à une question complémentaire sur l'intégration des données de flux de commandes, il indique qu'il s'agit d'un bon indicateur, mais pas suffisant en tant qu'indicateur autonome, et qu'il existe de nombreux autres indicateurs qui devraient être utilisés conjointement.
  
  
• 00:20:00 Le Dr Ernest Chan discute des limites de l'utilisation d'indicateurs individuels pour élaborer une stratégie de trading en raison du grand nombre de personnes qui les utilisent. Il suggère de les intégrer comme l'une des nombreuses fonctionnalités d'un programme d'apprentissage automatique. Interrogé sur l'âgisme dans l'industrie quantitative, le Dr Chan souligne que si quelqu'un est un propriétaire unique, l'âgisme n'est pas un problème. Il partage également son point de vue sur l'utilisation de l'apprentissage automatique pour générer de l'alpha, soulignant le risque de surajustement et le recommandant plutôt comme outil de gestion des risques. En ce qui concerne le trading à faible latence, le Dr Chan affirme que le trading quantitatif est une nécessité pour ce domaine. Enfin, il conseille qu'au-delà d'un palmarès réussi, des compétences en gestion sont essentielles pour quelqu'un qui souhaite démarrer un fonds spéculatif quantitatif.
  
  
• 00:25:00 Le Dr Ernest Chan souligne qu'une gestion de fonds réussie implique non seulement des compétences en trading, mais également des compétences en gestion et en développement commercial. Ainsi, avoir des qualités de leadership et une formation en gestion d'entreprise est crucial. Interrogé sur la compréhension quantitative du marché indien, il avoue n'en avoir aucune connaissance principalement en raison de la réglementation. Sur la question de savoir combien de temps il faut consacrer au trading sur papier avant de mettre en place une stratégie, le Dr Chan explique que cela dépend de l'efficacité du trading. Pour les stratégies de trading à haute fréquence qui se négocient toutes les secondes, deux semaines de trading sur papier suffisent pour être mises en ligne. Pendant ce temps, pour les stratégies de maintien, un échange de papier pendant trois mois pour gagner une signification statistique basée sur le nombre de traits peut être nécessaire. Enfin, il discute de la question de savoir si l'approche des séries chronologiques devrait toujours être au cœur de son portefeuille d'alpha malgré des études récentes montrant que les alphas rentables sont pour la plupart non basés sur les prix.
  
  
• 00:30:00 Le Dr Ernest Chan suggère d'assister à des conférences de l'industrie, de réseauter avec des professionnels via LinkedIn ou d'autres plateformes et de se forger une solide expérience dans le commerce. Il conseille également de rechercher des mentors et d'être proactif dans la recherche de collaborateurs potentiels. Construire une solide réputation et montrer une volonté d'apprendre et de s'améliorer peut aider à attirer l'attention des quants expérimentés.
  
  
• 00:35:00 Le Dr Ernest Chan explique comment embaucher et former une équipe de trading quantitatif performante. Il indique que la personne embauchée doit avoir une expertise démontrée dans la fonction spécifique sur laquelle l'équipe se concentre, qu'il s'agisse de la gestion des risques, de la tarification des produits dérivés ou de la science des données. Si l'objectif de l'équipe est de développer des stratégies de trading rentables, il est préférable d'embaucher quelqu'un qui a déjà fait ses preuves. De plus, Chan déclare qu'il n'y a pas de marché universellement bon pour le trading, et que les équipes doivent se concentrer sur ce qu'elles connaissent le mieux. Enfin, il explique comment les traders à haute fréquence ont un avantage pour prédire la direction du marché à court terme par rapport aux traders à moyenne et basse fréquence.
  
  
• 00:40:00 Le Dr Ernest Chan discute de la difficulté de prédire avec précision les mouvements du marché sur de courtes périodes et du défi d'utiliser des prévisions de trading à haute fréquence. Il aborde également son approche personnelle du trading, qui consiste à embaucher des commerçants qualifiés et non à se négocier lui-même. Chan souligne l'importance d'embaucher des traders avec de solides antécédents, qu'ils utilisent des stratégies discrétionnaires ou quantitatives. Interrogé sur son taux de croissance annuel cumulé, Chan déclare qu'il ne peut pas divulguer ces informations en raison des réglementations de la SEC. Enfin, il note que les traders quantitatifs n'utilisent généralement pas la même stratégie dans toutes les classes d'actifs, et qu'il est difficile de comparer Python et MATLAB pour le trading d'algo.
  
  
• 00:45:00 Le Dr Ernest Chan discute de l'utilisation de Matlab et Python dans le trading. Bien qu'il préfère personnellement Matlab, il reconnaît que différents commerçants ont leurs propres préférences et que la langue n'est pas l'aspect le plus important. Il estime également que l'optimisation des coûts de transaction est difficile, même pour les experts dans le domaine, donc cela ne devrait pas être une priorité pour les commerçants. Lorsqu'il s'agit de réviser ou de recycler les stratégies d'apprentissage automatique, il suggère de ne le faire que lorsque le régime du marché a radicalement changé, et le perfectionnement en apprenant de nouveaux langages tels que Python ou Matlab peut aider les commerçants à élargir leurs opportunités.
  
  
• 00:50:00 Le Dr Ernest Chan discute des conseils de carrière pour les personnes intéressées à devenir un trader quantitatif. Il suggère d'essayer différents domaines, tels que le trading d'options, pour mieux comprendre les forces et les faiblesses personnelles. Il mentionne également que son objectif actuel est de rendre son système de gestion des risques basé sur l'apprentissage automatique plus largement disponible et qu'il n'a pas l'intention de publier une deuxième édition de son livre de trading automatique dans un proche avenir. Lorsqu'il embauche des traders, il recherche des antécédents longs et cohérents, et il recommande d'utiliser des techniques de séries chronologiques et des modèles économétriques pour négocier à court terme. Il note que les stratégies de sortie dépendent de la stratégie de trading spécifique et suggère de mettre en œuvre des sorties cibles stop ou profit en conséquence.
  
  
• 00:55:00 La vidéo se termine avec l'hôte remerciant le Dr Ernest Chan pour son temps et ses réponses perspicaces à une variété de questions liées à la réussite d'un quant. Les téléspectateurs sont encouragés à envoyer par e-mail toutes les questions qui n'ont pas reçu de réponse pendant la session pour s'assurer qu'elles seront traitées. L'hôte annonce qu'il y aura des sessions supplémentaires au cours de la semaine prochaine avec d'autres invités estimés dans le domaine du trading algo. Le public est remercié pour son soutien et encouragé à continuer à se connecter.

[MetaQuotes]

Avant de vous lancer dans le trading quantitatif et algorithmique... [Panel Discussion] | Algo Trading Week Jour 0

Avant de vous lancer dans le trading quantitatif et algorithmique... [Panel Discussion] | Algo Trading Week Jour 0

L'Algo Trading Week débute par une table ronde animée par l'hôte et mettant en vedette des experts de l'industrie. L'hôte commence par inviter le responsable des initiatives de marketing et de sensibilisation à fournir des informations sur l'événement et son objectif. Le responsable du marketing explique que l'objectif principal d'Algo Trading Week est de rendre le trading algorithmique plus accessible et de le généraliser. L'événement vise à atteindre cet objectif grâce à diverses initiatives éducatives telles que des webinaires, des ateliers et des ressources gratuites. De plus, Algo Trading Week est une célébration du 11e anniversaire de l'entreprise et s'étendra sur 7 à 8 jours, offrant un large éventail de sessions et de concours.

L'orateur présente ensuite ses cours Quantra, soulignant qu'une partie importante, environ 20 à 25 % ou plus, des cours sont disponibles gratuitement. Ceci est rendu possible grâce au soutien et aux contributions de la communauté. Le conférencier exprime son désir d'en faire plus et explique comment cela l'a amené à organiser un festival d'apprentissage d'une semaine. Le festival rassemble certains des meilleurs experts de l'industrie qui partageront leurs connaissances et leurs idées. L'orateur exprime sa gratitude pour les réponses positives reçues.

Ensuite, l'orateur présente les membres du panel qui participeront à la discussion. Le panel comprend Ishaan, qui dirige l'équipe de contenu de Contra, Nitish, le co-fondateur et PDG de QuantInsti, Pradipta, le vice-président de Blue Shift, et Rajiv, le co-fondateur et PDG d'iRage. Ces panélistes estimés apportent diverses perspectives et expertises à la table.

La discussion passe ensuite au sujet des compétences nécessaires et des formations requises pour une carrière dans le trading quantitatif et algorithmique. Le panel souligne l'importance d'aligner ses intérêts et ses passions avant de se plonger dans ce domaine. Ils conseillent aux individus d'être prêts à consacrer beaucoup de temps et d'efforts et soulignent la nécessité d'une compréhension claire des marchés financiers, des méthodes de programmation, des statistiques et de l'économétrie. Le jury souligne qu'une expertise dans un ou deux de ces domaines est nécessaire, mais qu'un niveau minimum de critères de qualification doit être atteint dans les trois. Le panel discute également de la manière dont les cours de courte durée peuvent aider les individus à développer les compétences nécessaires pour devenir des acteurs compétitifs dans le domaine.

Les panélistes se penchent ensuite sur les avantages de suivre des cours de trading quantitatif et algorithmique. Ils soulignent l'importance de suivre un processus de négociation approprié et d'utiliser les mathématiques et les statistiques pour explorer les anomalies du marché. Les cours enseignent la compétence de Python, qui est essentielle pour le backtesting et la vérification des hypothèses. De plus, les participants ont la possibilité de rédiger ou de négocier en direct leurs stratégies sur des plateformes comme BlueShift. Les panélistes discutent également des différentes sources d'alpha sur les marchés et de la manière dont les utilisateurs particuliers peuvent bénéficier de l'utilisation de plateformes de recherche et de trading en direct plutôt que de s'appuyer uniquement sur des stratégies toutes faites. Ils soulignent que l'évaluation du risque d'une stratégie de trading ne doit pas seulement considérer la stratégie de manière isolée, mais également son impact sur sa position et son portefeuille global.

L'importance de tester des stratégies et d'avoir accès à l'alpha est discutée plus en détail par le panel. Ils soulignent l'importance d'utiliser des plates-formes comme BlueShift pour la recherche systématique plutôt que de créer sa propre plate-forme, ce qui nécessite un ensemble différent de compétences et de processus. Les panélistes notent que le trading peut être classé en différents styles et que l'impact de l'évolution du marché varie en conséquence. Ils utilisent l'analogie des programmes d'échecs d'apprentissage automatique pour illustrer comment l'industrie du commerce quantitatif peut bénéficier des progrès de la technologie et de l'analyse des données. Ils mettent également en évidence le volume substantiel d'informations disponibles pour les stratégies de trading à moyenne et haute fréquence en raison de l'augmentation du volume du marché et de la disponibilité des données.

Les panélistes se concentrent sur l'impact de la technologie sur le trading quantitatif et algorithmique. Ils soulignent l'importance croissante du big data et de l'automatisation et reconnaissent que les traders à haute fréquence sont confrontés à une concurrence croissante. Les panélistes abordent les préoccupations des investisseurs particuliers qui envisagent d'entrer sur le terrain, mettant en garde contre la mise en œuvre trop rapide de stratégies.

Les panélistes soulignent l'importance de bien tester et comprendre une stratégie avant d'y investir. Ils soulignent la nécessité d'éviter les dangers d'une mise en œuvre précipitée sans une évaluation appropriée. Ils soulignent qu'il est crucial de comprendre pourquoi une stratégie particulière devrait réussir avant de l'utiliser.

Les panélistes soulignent l'importance de se concentrer sur des intrants tels que les idées alpha, les tests et la gestion des risques pour augmenter la probabilité de succès dans le trading. Ils reconnaissent que ce processus peut sembler lent et fastidieux, mais il faut s'y tenir et éviter les prises de décision hâtives. Pour ceux qui cherchent à passer du trading discrétionnaire au trading systématique, les panélistes recommandent d'acquérir une compréhension de base du trading sur le marché, des compétences élémentaires en mathématiques et en stratégie, et de la programmation, en particulier Python. Ils conseillent également aux individus de se renseigner sur les commerçants qui réussissent et d'apprendre de leurs expériences pour éviter les pertes par essais et erreurs.

Les pièges potentiels du trading algorithmique et comment les éviter sont discutés par les panélistes. Ils soulignent l'importance d'identifier les biais dans les stratégies et de s'assurer qu'elles fonctionnent dans diverses conditions de marché grâce à des tests et des analyses approfondis. Les panélistes mettent en garde contre la sous-estimation de la modélisation de l'activité d'échange, car un manque de compréhension peut entraîner des opportunités manquées ou des retards importants dans l'exécution des transactions pour les stratégies de trading à haute fréquence. Ils recommandent d'adopter une approche systématique de l'élaboration de stratégies et de la tester de manière approfondie avec des facteurs simples et complexes. Les panélistes suggèrent d'acquérir les compétences nécessaires par le biais de cours, de webinaires et de pratiques pour devenir des traders quantitatifs compétents et performants.

Les panélistes prodiguent de précieux conseils aux personnes intéressées par le trading algorithmique. Ils mettent en garde contre le biais d'anticipation, la dépendance excessive aux backtests et la confiance excessive dans les rendements élevés sans tenir compte des risques associés. Les panélistes soulignent également l'importance d'éviter le surendettement et rappellent aux traders de tenir compte des risques encourus lors de l'évaluation des rendements. Ils mettent en évidence la présence de biais qui peuvent fausser les résultats du backtest et soulignent la nécessité de comprendre et de traiter ces biais de manière appropriée.

Les conférenciers soulignent l'importance d'utiliser les bons outils et méthodes lors du backtesting pour améliorer les chances de succès dans le trading. Ils mettent en évidence les opportunités offertes par l'essor des systèmes open source et des bibliothèques de science des données librement accessibles aux commerçants qui possèdent la capacité d'interpréter correctement les données. De plus, ils mentionnent la possibilité d'utiliser l'infrastructure cloud pour louer des serveurs sur une base flexible, ce qui peut aider à réduire les coûts. Les conférenciers reconnaissent les défis liés à la réussite dans le trading et soulignent l'importance d'être objectif et systématique dans son approche pour éviter les influences émotionnelles telles que la peur et la cupidité dans les décisions de trading. Ils recommandent de suivre des cours comme ceux proposés par Quantra pour améliorer les compétences en trading quantitatif et algorithmique.

L'orateur discute ensuite de l'importance d'apprendre objectivement tous les éléments constitutifs du trading et d'être conscient des différentes stratégies qui existent. Ils mettent en avant l'intérêt d'investir dans sa formation, que ce soit dans le trading quantitatif et algorithmique ou dans tout autre domaine. L'orateur annonce un concours pour les personnes intéressées à apprendre les bases du trading, ouvert aux traders, aux programmeurs et à toute personne souhaitant approfondir ses connaissances. Le concours consistera en trois quiz couvrant les marchés financiers, les mathématiques et les statistiques, ainsi que la programmation et l'apprentissage automatique. Le conférencier fournit des ressources pour la préparation des tests.

Le conférencier fournit des informations détaillées sur le quiz à venir pour Algo Trading Week, en précisant les dates et les sujets à aborder. Les participants sont encouragés à se préparer en utilisant les ressources indiquées ou tout autre moyen qu'ils préfèrent, car les scores détermineront le classement final. Le conférencier suggère de répondre aux trois questionnaires pour augmenter les chances de se classer parmi les trois ou les dix premiers participants. De plus, le conférencier discute des exigences matérielles nécessaires pour une configuration quantitative, expliquant que le matériel d'exécution peut être aussi simple qu'un ordinateur portable ou une configuration minimale sur le cloud. Cependant, des capacités de recherche plus avancées peuvent nécessiter un meilleur ordinateur avec au moins 4 Go de RAM.

Le panel se penche ensuite sur les exigences matérielles pour le trading à haute fréquence (HFT) et les fonds lourds en calcul. Ils soulignent que HFT nécessite des mises à niveau et des améliorations matérielles fréquentes pour obtenir une connectivité d'échange plus rapide, ce qui est un facteur crucial dans leur génération alpha. Les stratégies de trading qui nécessitent de la vitesse et des recherches et analyses de données approfondies nécessitent une infrastructure de niveau serveur. Le panel met également en garde contre le traitement du trading algorithmique comme un mécanisme "fire and forget", soulignant la nécessité de surveiller régulièrement les performances de la stratégie et de prendre des mesures correctives si nécessaire, même lors de l'utilisation d'un système de trading basé sur le cloud.

Alors que la table ronde touche à sa fin, les panélistes expriment leur gratitude au public pour avoir écouté et participé activement à la session. Ils apprécient la patience dont ils ont fait preuve tout au long de la discussion d'une heure et font leurs adieux jusqu'à la prochaine session, qui aura lieu le lendemain. Le panel se termine par une dernière série de remerciements et de félicitations à tous ceux qui assistent à l'événement.

• 00:00:00 L'hôte de l'Algo Trading Week donne le coup d'envoi de l'événement avec une table ronde mettant en vedette des experts de l'industrie. L'hôte invite le responsable des initiatives de marketing et de sensibilisation à donner des informations sur l'événement et pourquoi il a été créé. Le responsable du marketing explique que l'objectif est de rendre le trading algorithmique plus accessible et de le généraliser grâce à des initiatives éducatives telles que des webinaires, des ateliers et des ressources gratuites. L'Algo Trading Week est une célébration du 11e anniversaire de l'entreprise et proposera une variété de sessions et de concours au cours des 7 à 8 prochains jours.
  
  
• 00:05:00 L'orateur parle de ses cours Quantra, déclarant que 20 à 25% ou plus des cours sont gratuits grâce au soutien et aux contributions de la communauté. Ils expliquent qu'ils voulaient faire quelque chose de plus, ce qui les a amenés à organiser un festival d'apprentissage d'une semaine avec certaines des meilleures personnes de l'industrie pour partager leurs connaissances, qui a reçu des réponses positives. L'orateur présente ensuite les membres du panel, y compris Ishaan, qui dirige l'équipe de contenu de Contra, Nitish, le co-fondateur et PDG de QuantInsti, Pradipta, le vice-président de Blue Shift, et Rajiv, le co-fondateur et PDG de iRage. La discussion passe ensuite au sujet des compétences nécessaires et des formations requises pour le trading quantitatif et algorithmique.
  
  
• 00:10:00 Le panel discute de l'importance d'aligner ses intérêts et sa passion avant de plonger dans le monde du trading quantitatif et algorithmique. Ils conseillent aux individus d'être prêts à consacrer beaucoup de temps et d'efforts et de posséder une compréhension claire des marchés financiers, des méthodes de programmation, des statistiques et de l'économétrie. Ils soulignent que les trois piliers sont d'égale importance et qu'une expertise dans un ou deux est nécessaire, mais qu'un niveau minimum de critères de qualification doit être satisfait dans les trois. Le panel discute également de la manière dont les cours de courte durée peuvent aider les utilisateurs à acquérir les compétences nécessaires pour devenir des acteurs compétitifs dans le domaine.
  
  
• 00:15:00 Les panélistes discutent des avantages de suivre un cours sur le trading quantitatif et algorithmique. Le cours met l'accent sur l'importance de suivre un processus approprié dans le trading et d'utiliser les mathématiques et les statistiques pour explorer les anomalies. La compétence de python est enseignée dans le cours pour tester et vérifier votre hypothèse, tout en vous donnant la possibilité de documenter ou de négocier en direct votre stratégie sur des plateformes comme BlueShift. Les panélistes discutent également des différentes sources d'alpha sur les marchés et de la manière dont les utilisateurs particuliers peuvent bénéficier de l'utilisation de plateformes de recherche et de trading en direct au lieu de s'appuyer sur des stratégies toutes faites. Le risque d'une stratégie de trading n'est pas seulement autonome, mais également en relation avec votre position et votre portefeuille global.
  
  
• 00:20:00 Le panel discute de l'importance de tester des stratégies et d'avoir accès à l'alpha, même pour les commerçants de détail. Ils discutent également des avantages d'utiliser une plate-forme comme Blueshift pour la recherche systématique au lieu de créer votre propre plate-forme, ce qui nécessite un ensemble différent de compétences et de processus. Le panéliste note que le trading peut être divisé en différents styles et que l'impact des développements sur le marché varie en conséquence. Ils utilisent une analogie avec les programmes d'échecs d'apprentissage automatique pour expliquer comment l'industrie du commerce quantitatif peut bénéficier des progrès de la technologie et de l'analyse des données. Ils mentionnent également l'augmentation du volume des échanges et l'énorme quantité d'informations disponibles pour les stratégies de trading à moyenne et haute fréquence.
  
  
• 00:25:00 Les intervenants discutent de l'impact de la technologie sur le domaine du trading quantitatif et algorithmique. Les mégadonnées et l'automatisation deviennent de plus en plus importantes, et les commerçants à haute fréquence sont confrontés à une concurrence accrue. Les conférenciers abordent les préoccupations des investisseurs particuliers qui envisagent d'entrer sur le terrain, les avertissent des dangers d'une mise en œuvre trop rapide des stratégies et soulignent l'importance de bien tester et comprendre une stratégie avant d'investir. Il est crucial de comprendre pourquoi une stratégie particulière sera couronnée de succès avant de l'utiliser.
  
  
• 00:30:00 Se concentrer sur des intrants tels que les idées alpha, les tests et la gestion des risques est essentiel pour garantir une plus grande probabilité de réussite. Bien que cela puisse sembler un processus lent et ennuyeux, il est nécessaire de s'y tenir et d'éviter de se précipiter trop rapidement dans la mise en œuvre. Pour ceux qui cherchent à passer du trading discrétionnaire au trading systématique, il est important d'acquérir une compréhension de base du trading sur le marché, des compétences élémentaires en mathématiques et en stratégie, et de la programmation (en particulier Python). Il est également recommandé de lire sur les commerçants qui réussissent et d'éviter de perdre de l'argent par essais et erreurs.
  
  
• 00:35:00 Les panélistes discutent des pièges potentiels du trading algorithmique et comment on peut les éviter. Ils soulignent l'importance d'identifier tout biais dans une stratégie et de s'assurer qu'elle fonctionne dans différents régimes de marché grâce à des tests et des analyses. De plus, ils mettent en garde contre la sous-estimation de la modélisation de l'activité d'échange, où un manque de compréhension peut entraîner des opportunités manquées ou un retard important dans l'exécution des transactions pour les stratégies de trading à haute fréquence. Les conférenciers recommandent d'adopter une approche systématique de l'élaboration de stratégies et de la tester de manière approfondie avec des facteurs simples et plus complexes. Enfin, ils suggèrent d'acquérir les compétences nécessaires par le biais de cours, de webinaires et de pratiques pour devenir un trader quantitatif compétent et performant.
  
  
• 00:40:00 Les panélistes conseillent ceux qui s'intéressent au trading algorithmique. Ils mettent en garde contre le biais d'anticipation, la dépendance excessive aux backtests et le fait d'être trop confiant dans les rendements élevés sans tenir compte des risques associés. Les panélistes mettent également en garde contre un effet de levier excessif et conseillent aux traders de garder à l'esprit que les rendements en eux-mêmes n'ont pas beaucoup de sens sans tenir compte des risques encourus. En outre, ils suggèrent qu'il existe de nombreux biais qui peuvent fausser les résultats des tests ex post, et qu'il est essentiel de comprendre et de traiter ces biais.
  
  
• 00:45:00 Les intervenants soulignent l'importance d'utiliser les bons outils et méthodes lors du backtesting afin d'améliorer les chances de succès dans le trading. Ils mettent également en évidence les opportunités offertes par l'essor des systèmes open source et des bibliothèques de science des données qui sont librement accessibles aux commerçants qui comprennent le langage des données et peuvent l'interpréter correctement. De plus, ils notent les possibilités d'utiliser l'infrastructure cloud pour louer des serveurs à la minute, à l'heure, à la seconde ou à la journée afin de réduire les coûts. Les conférenciers soulignent également la difficulté de réussir dans le trading et insistent sur la nécessité d'être objectif et systématique dans son approche pour éviter que des émotions comme la peur et la cupidité n'affectent les décisions de trading. Ils recommandent de suivre des cours comme ceux proposés par Quantra pour améliorer les compétences en trading quantitatif et algorithmique.
  
  
• 00:50:00 L'orateur discute de l'importance d'apprendre objectivement tous les éléments constitutifs du trading et d'être conscient des différentes stratégies qui existent. Ils mettent l'accent sur l'investissement dans l'éducation, que ce soit dans le trading quantitatif ou algorithmique ou ailleurs. L'orateur présente ensuite un concours pour les personnes intéressées à apprendre les bases du trading. Le concours est ouvert aux traders, aux programmeurs et à tous ceux qui souhaitent approfondir leurs connaissances et consistera en trois quiz couvrant les marchés financiers, les mathématiques et les statistiques, ainsi que la programmation et l'apprentissage automatique. Les quiz auront lieu à des dates précises et les gagnants seront annoncés fin septembre. Le conférencier fournit également des ressources pour la préparation des tests.
  
  
• 00:55:00 Le conférencier donne des informations sur le quiz à venir pour Algo Trading Week, en précisant les dates et les sujets à aborder. Les participants peuvent se préparer au quiz en utilisant les ressources indiquées ou tout autre moyen qu'ils préfèrent, mais les scores détermineront le classement final. L'orateur suggère de répondre aux trois quiz pour augmenter les chances de figurer dans les trois ou dix premiers. L'orateur discute ensuite des exigences matérielles nécessaires pour une configuration quantitative et explique que le matériel d'exécution peut être aussi simple qu'un ordinateur portable ou une configuration minimale sur le cloud, tandis que des capacités de recherche plus avancées nécessitent un meilleur ordinateur avec au moins 4 Go de RAM.
  
  
• 01:00:00 Le panel discute des exigences matérielles pour le trading à haute fréquence (HFT) et les fonds lourds de calcul. Ils notent que HFT nécessite des mises à niveau et des améliorations matérielles fréquentes afin d'atteindre l'échange plus rapidement, ce qui est leur clé alpha. Les stratégies de trading qui nécessitent de la vitesse et des quantités massives de recherche et de données nécessitent une infrastructure de niveau serveur. Ils mettent également en garde contre le fait de traiter le trading algorithmique comme un mécanisme "fire and forget", notant qu'il est important de surveiller régulièrement les performances de la stratégie et de prendre des mesures correctives si nécessaire, même si le système de trading est basé sur le cloud.
  
  
• 01:05:00 Les panélistes remercient le public d'avoir écouté et écouté leur discussion. Ils expriment leur gratitude pour la patience de chacun au cours de la session d'une heure et font leurs adieux jusqu'à ce qu'ils se retrouvent le lendemain pour la prochaine session. Le panel se termine par une dernière série de remerciements et de félicitations.

[MetaQuotes]

Comment automatiser une stratégie de trading | Cours de trading Algo

Comment automatiser une stratégie de trading | Cours de trading Algo

Rishabh Mittal est un analyste quantitatif qui travaille dans l'équipe de contenu de Quantra. Son expertise réside dans l'application de techniques d'apprentissage non supervisé, en particulier K-Means, pour générer des signaux échangeables. Il est activement impliqué dans le développement d'algorithmes innovants pour le dimensionnement des positions sur les marchés financiers, en utilisant des méthodologies telles que Constant Proportion Portfolio Insurance (CPPI), entre autres. Avant de rejoindre Quantra, Rishabh a acquis de l'expérience dans la création de stratégies de trading systématiques à l'aide de TradingView pour divers clients.

Dans ce webinaire intitulé "Comment automatiser une stratégie de trading", Rishabh se plongera dans le processus d'automatisation des stratégies de trading et guidera les participants sur la façon de mettre en ligne leurs stratégies de trading systématiques. Le webinaire commencera par aborder les conditions préalables nécessaires à l'automatisation d'une stratégie.

Rishabh se concentrera ensuite sur l'approche événementielle essentielle au trading automatisé. Il explorera des sujets tels que la connexion avec un courtier, la récupération de données en temps réel, la génération de signaux basés sur les données acquises et, finalement, la passation d'une commande auprès du courtier.

Pour conclure la session, Rishabh fournira une démonstration étape par étape de la mise en place d'une stratégie de démonstration pour le commerce du papier sur les marchés utilisant Blueshift. Les participants acquerront des informations pratiques sur la mise en œuvre et le test de leurs stratégies dans un environnement de trading simulé.

Rejoignez Rishabh Mittal dans ce webinaire informatif alors qu'il partage son expertise sur l'automatisation des stratégies de trading et offre de précieux conseils pour faire passer votre approche de trading systématique de la théorie à la pratique.

[MetaQuotes]

Comment créer un algorithme de trading à partir de zéro [Webinaire Algo Trading] - 22 juillet 2021

Comment créer un algorithme de trading à partir de zéro [Webinaire Algo Trading] - 22 juillet 2021

Au cours du webinaire, Ashutosh a partagé sa vaste expérience dans le domaine du trading de dérivés financiers, couvrant plus d'une décennie. Il a souligné son expertise dans l'application de techniques avancées de science des données et d'apprentissage automatique pour analyser les données financières. Ashutosh est titulaire d'une prestigieuse maîtrise et est analyste financier certifié (FF). Actuellement, il est un membre précieux de l'équipe de Quantum City, responsable du développement et de l'enseignement du cours EPAT, la première certification de trading algorithmique vérifiée au monde.

Le webinaire visait principalement à guider les participants tout au long du processus de création d'un algorithme de trading à partir de zéro. Ashutosh a souligné l'importance de comprendre les algorithmes de trading, leurs diverses applications sur le marché et la conversion des idées en stratégies et éventuellement en algorithmes de trading. Essentiellement, un algorithme sert de programme informatique qui aide les commerçants à prendre des décisions rentables en analysant les données et en générant des ordres d'achat et de vente basés sur des règles prédéterminées. Il facilite également les interactions avec l'environnement externe pour envoyer et recevoir des commandes efficacement.

Avant de plonger dans les aspects pratiques du trading, Ashutosh a souligné l'importance de définir son univers de trading et de déterminer l'alpha souhaité. Alpha représente la force motrice derrière les bénéfices, qui peuvent provenir de diverses sources telles que des perspectives de marché uniques, gagner un avantage sur la concurrence ou mettre en œuvre des stratégies spécifiques adaptées à des objectifs individuels.

Le contenu vidéo couvrait les trois phases fondamentales du trading : la recherche, le trading et le post-trading. Ashutosh a élucidé ces phases et fourni des exemples de différentes stratégies de trading, en se concentrant sur le processus de transformation des idées en algorithmes de trading concrets. Il a démontré comment même des règles simples, telles que l'achat d'une action lorsque son taux de variation (roc) dépasse 2 au cours des 63 derniers jours, peuvent constituer la base d'un algorithme de trading.

Tout au long du webinaire, divers traders ont présenté leurs approches pour créer des algorithmes de trading à partir de zéro. Un trader a utilisé un codage visuel, tirant parti des données du marché indien et incorporé des limites de commande et une commission par action. Un autre trader a démontré le processus étape par étape, en commençant par définir son univers de trading, puis en créant une fonction alpha pour calculer le roc, en établissant des règles de trading et enfin en mettant en œuvre la stratégie à l'aide de blocs logiques.

La vidéo a fourni des informations complètes sur les composants essentiels d'un algorithme de trading, à savoir les conditions, l'envoi et la réception des commandes. De plus, il a montré comment planifier des algorithmes pour une exécution automatique. Les stratégies basées sur le bêta et le momentum ont été présentées comme un moyen d'exploiter les tendances du marché, parallèlement à l'inclusion d'une stratégie de détournement de la moyenne.

Ashutosh a expliqué le processus de création d'un algorithme de trading à partir de zéro, couvrant des aspects clés tels que la définition d'un univers d'actions, le calcul des couvertures pertinentes et l'exécution des règles de trading. Il a également souligné l'importance d'exécuter des backtests sur l'algorithme et de l'optimiser pour des performances améliorées.

Les méthodes quantitatives et leur rôle dans l'amélioration des compétences en trading ont été discutées, en mettant l'accent sur l'utilisation du bêta et la corrélation avec le marché pour prendre des décisions éclairées. Ashutosh a également offert aux participants la possibilité d'un appel de conseil gratuit pour soutenir davantage leur parcours commercial.

En outre, le webinaire a exploré les différents types de données pouvant être utilisées dans un algorithme et a abordé le processus d'évaluation des coûts pour le cours EPAT. Les participants ont également reçu une liste de conseillers de cours pour obtenir des conseils et du soutien.

Le webinaire d'Ashutosh a fourni un guide complet pour créer des algorithmes de trading à partir de zéro. Les participants ont été encouragés à soumettre toutes les questions sans réponse qu'ils auraient pu avoir pendant la présentation, assurant une compréhension approfondie du sujet.

• 00:00:00 Ashutosh explique comment il a été impliqué dans le domaine du trading de dérivés financiers pendant plus d'une décennie et a de l'expérience dans l'application de techniques avancées de science des données et d'apprentissage automatique aux données financières. Il est également titulaire d'une maîtrise d'une université prestigieuse et est analyste financier certifié (FF). Il fait actuellement partie de l'équipe de Quantumcity et est responsable du développement et de l'enseignement du cours epact, qui est la première certification de trading algorithmique vérifiée au monde.
  
  
• 00:05:00 Ce webinaire est axé sur la création d'un algorithme de trading à partir de zéro et couvre des sujets tels que pourquoi nous devons en savoir plus sur les algorithmes de trading, les différentes manières dont les algorithmes sont utilisés sur le marché et comment convertir des idées en stratégies et des stratégies en algorithmes de trading.
  
  
• 00:10:00 Un algorithme est un programme informatique qui aide les traders à prendre des décisions commerciales rentables. Il analyse les données et génère des ordres d'achat et de vente en fonction de règles prédéfinies. Il interagit également avec le monde extérieur pour envoyer et recevoir des commandes.
  
  
• 00:15:00 Avant de commencer à trader, il est important de définir votre univers de trading et de déterminer quel alpha vous espérez atteindre. L'alpha est la raison des bénéfices, et il peut provenir de diverses sources, telles que l'examen des variables du marché d'une manière particulière, le fait d'avoir un avantage sur le marché ou de suivre une stratégie spécifique.
  
  
• 00:20:00 Cette vidéo explique comment créer un algorithme de trading à partir de zéro, en se concentrant sur les trois phases du trading : recherche, trading et post-trading. La vidéo fournit des exemples de différentes stratégies de trading et explique comment convertir des idées en algorithmes de trading.
  
  
• 00:25:00 Dans cette vidéo, le présentateur explique comment créer un algorithme de trading à partir de zéro. Les règles peuvent être aussi simples que d'acheter une action lorsque son taux de variation (roc) est supérieur à 2 au cours des 63 derniers jours.
  
  
• 00:30:00 Dans cette vidéo, un trader explique comment créer un algorithme de trading à partir de zéro en utilisant un codage visuel. Le trader utilise les données du marché indien et fixe des limites sur les ordres et la commission par action.
  
  
• 00:35:00 Dans cette vidéo, un trader montre comment créer un algorithme de trading à partir de zéro. Tout d'abord, ils définissent leur univers, qui comprend toutes les actions qu'ils utiliseront dans la stratégie de trading. Ensuite, ils créent une fonction alpha pour calculer le roc, puis définissent des règles de trading. Enfin, ils montrent comment utiliser le bloc logique pour exécuter la stratégie de trading.
  
  
• 00:40:00 Cette vidéo explique comment créer un algorithme de trading à partir de zéro. La vidéo couvre les trois parties d'un algorithme : condition, envoi de commande et réception de commande. La vidéo montre également comment planifier l'exécution automatique de l'algorithme.
  
  
• 00:45:00 La vidéo explique comment créer un algorithme de trading à partir de zéro. La stratégie est basée sur le bêta et le momentum, et est conçue pour exploiter les tendances du marché. La vidéo couvre également une stratégie de détournement moyenne.
  
  
• 00:50:00 Le présentateur explique comment créer un algorithme de trading à partir de zéro, notamment en définissant un univers d'actions, en calculant les couvertures pertinentes et en exécutant les règles de trading. Le présentateur explique également comment exécuter des tests rétroactifs sur l'algorithme et comment l'optimiser.
  
  
• 00:55:00 Cette vidéo explique comment créer un algorithme de trading à partir de zéro, y compris l'importance du bêta et de la corrélation avec le marché. Le présentateur explique également comment améliorer vos compétences en trading à l'aide de méthodes quantitatives. Enfin, le présentateur partage des informations sur un appel de conseil gratuit.
  
  
• 01:00:00 Ce webinaire explique comment créer un algorithme à partir de rien et aborde les différents types de données pouvant être utilisées dans un algorithme. Le webinaire explique également comment établir le coût d'un cours et fournit une liste de conseillers de cours.
  
  
• 01:05:00 Dans cette vidéo, Ashitosh Sharma de Blueshift explique comment créer un algorithme de trading à partir de zéro, en utilisant l'éditeur visuel et les stratégies de Blueshift. Blueshift permet aux utilisateurs de tester leurs stratégies et même de les échanger sur papier.
  
  
• 01:10:00 Le présentateur explique comment créer un algorithme de trading à partir de zéro. Ensuite, les participants peuvent soumettre des questions qui n'ont pas trouvé de réponse dans la présentation.

[MetaQuotes]

Apprentissage automatique et analyse des sentiments [Webinaire du projet Algo Trading]

Apprentissage automatique et analyse des sentiments [Webinaire du projet Algo Trading]

Mesdames et Messieurs,

J'espère que vous m'entendez tous clairement.

Bienvenue sur la chaîne YouTube de Quantum City. Pour ceux d'entre vous qui assistent régulièrement à nos webinaires, vous vous souvenez peut-être de l'un de nos récents webinaires sur le projet Algo Trading, qui portait sur l'apprentissage automatique dans l'analyse des sentiments et l'allocation de portefeuille. Nous avons eu le plaisir d'inviter deux diplômés estimés de l'EPAT, Carlos Peral et Vivian Thomas, à présenter leur travail de projet. Malheureusement, la post-présentation a été interrompue par une panne matérielle, et nous n'avons pas pu la couvrir en détail à l'époque. Cependant, nous avons eu la chance que Carlos ait pris quelques heures supplémentaires pour enregistrer sa présentation séparément et la partager avec nous.

Alors, sans plus tarder, continuons et regardons la présentation de Carlos. Merci.

"Bonjour tout le monde. Pour la présentation d'aujourd'hui, je vais montrer mon projet final pour le programme EPAT (Executive Program in Algorithmic Trading), qui s'est terminé en mars dernier. Tout d'abord, permettez-moi de me présenter. Je m'appelle Carlos Martin, et Je suis titulaire d'un baccalauréat en génie informatique.Je travaille depuis plus de 10 ans pour plusieurs clients, principalement situés en Espagne et en Belgique.Ma principale compétence réside dans le développement de logiciels, et je travaille pour les institutions européennes depuis cinq ans.

La motivation derrière ce projet découle de mon intérêt pour l'apprentissage automatique, en particulier pour l'analyse des sentiments. Je crois que ces techniques ont connu des progrès impressionnants ces dernières années, avec des modèles d'apprentissage automatique appliqués dans divers domaines tels que l'analyse de texte, la reconnaissance vocale, la traduction linguistique et l'analyse des sentiments, qui est au centre de ce projet. L'objectif principal est de trouver une corrélation entre le sentiment des nouvelles et la sensibilité aux prix et de tirer parti des scores de sentiment pour générer des signaux de trading.

Contrairement aux approches traditionnelles qui reposent sur l'analyse technique ou quantitative, ce projet utilise des données qualitatives comme nouvelle source d'information. L'objectif est de traduire ces données qualitatives en signaux de trading. Le projet est divisé en deux parties principales : l'analyse de texte et la mise en œuvre de la stratégie de négociation.

La partie analyse de texte consiste à télécharger des actualités, à effectuer un prétraitement et à mettre en œuvre un modèle d'apprentissage automatique pour générer des scores de sentiment. Pour ce projet, j'ai choisi un modèle de mémoire longue à court terme (LSTM) pour générer des scores de sentiment. La partie commerciale consiste à mettre en œuvre la stratégie de négociation, à analyser les cours des actions et à évaluer les performances de la stratégie.

Examinons en détail la structure du projet. La partie analyse de texte comprend le gestionnaire de nouvelles, qui gère la récupération initiale et le prétraitement des données de nouvelles. J'ai utilisé une classe pour me connecter à un service web externe et récupérer les news au format JSON. Ces données d'actualités sont ensuite stockées dans un fichier CSV. La partie analyse des sentiments comprend le prétraitement du texte et le gestionnaire NLP (Natural Language Processing), qui génère des scores de polarité à l'aide d'une bibliothèque appelée Analytic Evaluator. Cette bibliothèque attribue des scores binaires aux actualités, en les qualifiant de négatif (-1) ou de positif (1). Cette étape est cruciale pour la formation du modèle.

Le modèle prend les nouvelles prétraitées et est entraîné à l'aide d'une fonction sigmoïde pour la classification binaire. Les scores de sentiment de sortie sont classés comme positifs ou négatifs. La stratégie de trading est ensuite mise en œuvre et les scores de sentiment générés sont traduits en signaux de trading. Une valeur de -1 représente un signal de vente, tandis qu'une valeur de 1 représente un signal d'achat.

Le projet a été testé sur quatre actions : Apple, Amazon, Twitter et Facebook. La stratégie de score de sentiment a été comparée à une stratégie d'achat et de conservation. La performance a été évaluée à l'aide des rendements, du ratio de Sharpe et des rendements de la stratégie. Les résultats ont varié selon les actions, certaines actions affichant des performances améliorées en utilisant la stratégie de score de sentiment par rapport à la stratégie d'achat et de conservation. Cependant, il y a eu des cas où la stratégie de score de sentiment n'a pas bien fonctionné, en particulier pendant certaines périodes.

En conclusion, ce projet met en évidence une corrélation entre les tendances négatives, les mauvaises nouvelles et les opportunités commerciales potentielles. En incorporant l'analyse des sentiments dans la stratégie de trading, il devient possible de tirer parti des données qualitatives et de capturer le sentiment du marché de manière systématique. Cette approche peut fournir une couche supplémentaire d'informations qui complète l'analyse technique et quantitative traditionnelle.

Cependant, il est important de noter que l'analyse des sentiments n'est pas une méthode infaillible et que son efficacité peut varier en fonction de divers facteurs. Les conditions du marché, la qualité et la fiabilité des sources d'information et la précision du modèle d'analyse des sentiments jouent tous un rôle dans la détermination du succès de la stratégie.

En outre, il est crucial d'évaluer et d'affiner en permanence le modèle d'analyse des sentiments pour s'adapter à l'évolution de la dynamique du marché et à l'évolution des modèles d'actualités. Un suivi régulier des performances de la stratégie et les ajustements nécessaires sont nécessaires pour assurer son efficacité dans le temps.

Dans l'ensemble, ce projet démontre le potentiel de l'analyse des sentiments dans le trading algorithmique. Il ouvre de nouvelles voies pour intégrer des données qualitatives dans les stratégies de trading et fournit un cadre pour de nouvelles recherches et développements dans ce domaine.

Je tiens à exprimer ma gratitude au programme EPAT et à l'équipe de Quantum City pour m'avoir fourni la plate-forme et les ressources nécessaires pour entreprendre ce projet. Ce fut une expérience enrichissante, et je pense que l'analyse des sentiments peut offrir des informations précieuses dans le domaine du trading algorithmique.

Merci d'avoir regardé, et j'espère que vous avez trouvé cette présentation instructive. Si vous avez des questions ou souhaitez en discuter davantage, n'hésitez pas à me contacter. Passe une bonne journée!

• 00:00:00 Carlos Peral présente son projet final pour le programme QuantInsti, qui se concentre sur l'apprentissage automatique dans l'analyse des sentiments et l'allocation de portefeuille. Carlos a une formation en génie informatique et travaille depuis plus de 10 ans dans le développement de logiciels, son principal intérêt étant les sujets d'apprentissage automatique. Il discute de la croissance impressionnante qui s'est produite ces dernières années dans les modèles d'apprentissage automatique et du large éventail de domaines dans lesquels ils sont utilisés, y compris l'analyse des sentiments. L'objectif du projet de Carlos est de trouver une corrélation entre les prix sensibles et les scores de sentiment des nouvelles et de tirer parti de ces informations pour créer des signaux de trading. Il aborde le problème en utilisant des données qualitatives comme une nouvelle source d'information, plutôt que quantitative, et traduit ces données en signaux de trading.
  
  
• 00:05:00 L'orateur discute des deux parties principales de l'algorithme pour son projet d'analyse des sentiments et d'apprentissage automatique. La première partie se concentre sur l'analyse de texte, où les scores de sentiment sont générés via un modèle de mémoire à long terme et le prétraitement des nouvelles récupérées à partir d'un service Web. La deuxième partie consiste à mettre en œuvre la stratégie de négociation et à analyser les cours des actions. Les cinq étapes du projet comprennent les téléchargements d'actualités, le prétraitement, la création du modèle LCT, la prédiction des actualités pour les scores de sentiment et l'analyse du cours des actions. Le composant d'analyse des sentiments comprend un texte de prétraitement pour obtenir de meilleures performances. Des cours liés à la récupération d'actualités et à la génération de scores de sentiment sont disponibles dans le projet.
  
  
• 00:10:00 L'orateur explique les différentes étapes de son approche d'un projet de trading d'algorithmes d'analyse de sentiment. Tout d'abord, les nouvelles sont téléchargées et prétraitées avant d'être classées comme positives ou négatives à l'aide d'une bibliothèque appelée Analytic Evader. L'étape suivante consiste à former un modèle pour classer les nouvelles précédentes et les données classifiées. La phase de backtesting suit pour valider les indicateurs de trading. Le projet a été testé entre mars 2018 et décembre 2020.
  
  
• 00:15:00 L'orateur discute de l'importance de définir des valeurs pour les scores de sentiment, en particulier parce que cela a un impact significatif sur le backtesting. Ils expliquent qu'ils n'utilisent pas de nouvelles neutres et établissent des scores négatifs pour les nouvelles inférieures à 0,08 et positifs pour les scores supérieurs. L'orateur poursuit ensuite en expliquant comment ils ont généré des scores à l'aide de la bibliothèque NLTK et formé et compilé le modèle LCT à l'aide d'une fonction sigma pour la classification binaire. Ils comparent les rendements de la stratégie de score de sentiment avec une stratégie d'achat et de conservation pour quatre actions : Apple, Amazon, Twitter et Facebook. L'orateur montre des graphiques pour chaque action et explique que le trading basé sur le sentiment semble surperformer l'achat et la conservation pendant certaines périodes, y compris une amélioration pendant la pandémie.
  
  
• 00:20:00 Le présentateur conclut qu'il existe une certaine corrélation entre les tendances négatives et les mauvaises nouvelles, et une bonne performance par rapport à une stratégie d'achat et d'achat. Cependant, il suggère qu'il est essentiel de travailler avec des sources de données de haute qualité et d'améliorer le raffinement de la polarité des sentiments pour classer les nouvelles avec précision et attribuer des étiquettes positives ou négatives. Il estime que davantage de travail doit être fait pour faire pleinement confiance à une stratégie basée sur le sentiment et suggère qu'un bon modèle pourrait être intégré à certaines stratégies. En conclusion, la présentation met en lumière le potentiel d'intégration de l'analyse des sentiments dans les stratégies d'investissement, mais prévient qu'elle nécessite des recherches supplémentaires et des améliorations pour affiner la polarité des sentiments.