Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Comment utiliser le bot de trading Python pour l'investissement
Comment utiliser le bot de trading Python pour l'investissement
Rejoignez-nous dans ce webinaire informatif alors que nous plongeons dans le monde des robots de trading Python à des fins d'investissement. Conçue pour répondre aux besoins des traders novices et expérimentés, cette vidéo constitue une ressource précieuse pour les personnes souhaitant tirer parti de Python pour le trading algorithmique.
Tout au long du webinaire, vous obtiendrez des informations pratiques et des connaissances qui amélioreront vos stratégies de trading algo. Python, avec ses bibliothèques étendues et ses capacités d'automatisation, offre un immense potentiel pour rationaliser et optimiser votre approche commerciale. En exploitant la puissance de Python, vous pouvez améliorer votre efficacité commerciale et capitaliser sur les opportunités du marché.
Que vous commenciez tout juste votre voyage dans le trading algorithmique ou que vous cherchiez à affiner vos compétences existantes, cette vidéo fournit un aperçu complet du trading algorithmique avec Python. Il s'agit d'une ressource incontournable pour les traders et les investisseurs qui aspirent à garder une longueur d'avance dans le paysage financier dynamique d'aujourd'hui. Préparez-vous à approfondir votre compréhension du rôle de Python dans le trading algorithmique et débloquez de nouvelles possibilités de réussite.
Sujets couverts:
Allocation optimale de portefeuille à l'aide de l'apprentissage automatique
Allocation optimale de portefeuille à l'aide de l'apprentissage automatique
Cette session vise à vous apprendre les méthodes d'allocation optimale de portefeuille à l'aide de l'apprentissage automatique. Apprenez à utiliser des algorithmes qui tirent parti de l'apprentissage automatique pour faire le choix d'allocation du capital. Présenté par Vivin Thomas, VP, Quantitative Research, Equities (EDG) Modelling, JPMorgan Chase & Co.
Dans cette discussion, nous explorerons le domaine fascinant du trading algorithmique, en nous concentrant spécifiquement sur l'utilisation d'algorithmes d'apprentissage automatique. Notre objectif principal est de concevoir des algorithmes sophistiqués qui tirent parti de l'apprentissage automatique pour faire des choix d'allocation de capital optimaux.
Pour y parvenir, nous développerons une stratégie basse fréquence qui excelle dans la répartition de son capital disponible parmi un groupe soigneusement sélectionné de sous-jacents, également appelés actifs du panier, à intervalles réguliers. En incorporant des techniques d'apprentissage automatique, nous visons à améliorer la précision et l'efficacité du processus d'allocation du capital.
De plus, nous construirons des algorithmes d'allocation d'actifs long-only et basse fréquence qui fonctionnent dans ce cadre. Ces algorithmes seront conçus pour surpasser une stratégie d'allocation vanille qui repose uniquement sur des indicateurs de momentum empiriques pour la prise de décision. En comparant les performances de ces algorithmes à la stratégie de référence, nous pouvons évaluer la valeur et l'efficacité de l'utilisation de l'apprentissage automatique dans le processus d'allocation d'actifs.
Grâce à cette exploration, nous aurons un aperçu des avantages potentiels et des avantages de l'intégration d'algorithmes d'apprentissage automatique dans les stratégies d'allocation de capital. Rejoignez-nous alors que nous plongeons dans le monde passionnant du trading algorithmique et découvrez comment ces algorithmes avancés peuvent révolutionner notre approche de l'allocation d'actifs et des décisions d'investissement.
Tutoriel d'analyse des sentiments | Apprenez à prévoir les tendances des actions et à utiliser l'arbitrage statistique
Tutoriel d'analyse des sentiments | Apprenez à prévoir les tendances des actions et à utiliser l'arbitrage statistique
Au cours de ce webinaire, le présentateur présente trois personnes accomplies, Design Vetii, Javier Cervantes et Siddhantu, qui ont entamé leur parcours dans le trading algorithmique via le programme E-PAT. Ils partageront leurs présentations et projets E-PAT avec les téléspectateurs, couvrant divers sujets et leurs expériences dans le programme E-PAT.
Le présentateur souligne que le programme phare E-PAT offre aux participants la possibilité de se spécialiser dans leur classe d'actifs préférée ou leur paradigme stratégique pour leur projet. Cette approche sur mesure permet aux participants d'explorer et de développer une expertise dans leur domaine d'intérêt choisi.
Il est souligné que cette session sera enregistrée et partagée sur YouTube et leur blog, offrant une précieuse opportunité d'apprentissage pour les quants en herbe et les personnes intéressées par le trading algorithmique. Le présentateur encourage les téléspectateurs à profiter des connaissances partagées par ces commerçants expérimentés et des connaissances acquises grâce à leurs projets E-PAT.
La première présentation est faite par Design Vetii, un courtier en titres à revenu fixe d'Afrique du Sud. Design Vetii partage son projet sur la prévision des tendances des stocks à l'aide d'analyses techniques. Ils ont collecté des données sur les 10 principales actions de l'indice sud-africain des 40 meilleures sur une période de 10 ans. Python a été utilisé pour dériver six indicateurs techniques communs à partir de ces données, qui ont ensuite été incorporés dans un modèle d'apprentissage automatique pour l'analyse des tendances des stocks. Le présentateur discute de sa motivation et de sa fascination pour le domaine de l'apprentissage automatique tout au long du projet.
Ensuite, l'orateur discute de la stratégie d'investissement employée et présente les résultats de leur algorithme d'apprentissage automatique. Ils ont utilisé un portefeuille équipondéré composé de 10 actions et mis en œuvre des stratégies de rééquilibrage quotidiennes et hebdomadaires. Le portefeuille de rééquilibrage quotidien a produit un rendement de 44,69 % au cours des deux dernières années et demie, surpassant le rendement des 40 meilleurs indices de référence de 21,45 %. De même, le portefeuille de rééquilibrage hebdomadaire a affiché une surperformance significative, produisant un rendement de 36,52 % supérieur à l'indice de référence. Le conférencier reconnaît le temps et les efforts nécessaires pour affiner les paramètres du modèle d'apprentissage automatique et met en évidence l'expérience d'apprentissage tirée de ce processus. Cependant, ils reconnaissent également les limites et les défauts potentiels en comparant uniquement la stratégie à des indicateurs techniques tels que la force relative, les bandes de Bollinger et la MACD.
L'orateur réfléchit aux leçons tirées de son projet et envisage des moyens de l'améliorer à l'avenir. Ils mentionnent l'intérêt d'explorer un indice comprenant les 10 premières actions et reconnaissent une erreur commise lors de l'utilisation de l'attribut shuffle dans leur algorithme d'apprentissage automatique sur une série temporelle financière. Le conférencier exprime sa fierté de sa capacité à coder en Python et à développer une stratégie combinant apprentissage automatique et indicateurs techniques. Ils proposent d'incorporer des facteurs fondamentaux tels que les ratios P, l'analyse des sentiments et d'autres marqueurs dans les projets futurs, ainsi que d'explorer d'autres modèles d'apprentissage automatique. De plus, l'orateur répond aux questions de l'auditoire concernant leur choix d'indicateurs techniques et la mise en œuvre de l'algorithme de forêt aléatoire.
Après la présentation, le présentateur s'engage dans une session de questions-réponses avec les téléspectateurs. Diverses questions sont abordées, y compris des demandes de renseignements sur les stratégies de négociation intrajournalière et des livres recommandés pour l'apprentissage de l'apprentissage automatique dans le contexte de l'analyse financière. Le présentateur suggère un livre d'analyse technique pour comprendre les indicateurs conventionnels et mentionne également l'accent potentiel sur l'intégration de vues non conventionnelles des indicateurs et des facteurs fondamentaux dans les algorithmes d'apprentissage automatique pour les recherches futures.
Après la séance de questions-réponses, le présentateur présente le prochain conférencier, Javier Cervantes, un négociateur mexicain d'obligations d'entreprise avec plus de huit ans d'expérience dans le commerce et les marchés du crédit. Javier partage ses recherches sur l'utilisation de l'arbitrage statistique pour prédire les tendances des actions sur le marché mexicain, qui se caractérise par sa capitalisation boursière petite et concentrée. Il explique l'attractivité de cette opportunité en raison de l'absence de fonds dédiés, de la génération limitée de liquidités des participants et du paysage concurrentiel des stratégies d'arbitrage.
Javier discute du processus de création d'une base de données pour collecter des informations sur les stocks mexicains, décrivant les défis rencontrés, tels que les données incomplètes et erronées, les problèmes de filtrage et de nettoyage, et les hypothèses sous-jacentes à la stratégie. Pour relever ces défis, environ 40 % de l'univers des émetteurs ont été supprimés et les actions à faible volume de transactions quotidiennes ont été exclues.
Le présentateur analyse ensuite les résultats de la stratégie d'arbitrage statistique de Javier appliquée à six paires d'actions différentes, qui ont donné des résultats positifs. Les rendements des paires ont montré des corrélations faibles et principalement négatives, suggérant que la diversification pourrait bénéficier de manière significative à la mise en œuvre de la stratégie en tant que portefeuille agrégé. Lors de l'analyse des résultats d'un portefeuille comprenant les six paires, le présentateur met en évidence un taux de croissance annuel de 19%, un drawdown maximum de seulement 5% et un ratio de Sharpe global de 2,45, démontrant une supériorité significative par rapport aux paires individuelles. En outre, le présentateur met l'accent sur plusieurs risques qui doivent être pris en compte avant de déployer un capital réel, notamment les coûts de négociation, les différents horizons temporels, les conditions du marché et la nécessité de mettre en œuvre une stratégie stop-loss.
L'intervenant insiste sur l'importance de tester régulièrement une stratégie d'arbitrage statistique pour s'assurer de sa fiabilité dans le temps, car les relations à long terme entre paires peuvent se rompre même si une stationnarité initiale est observée. Ils suggèrent la possibilité d'utiliser des algorithmes d'apprentissage automatique pour sélectionner les paires éligibles pour la stratégie de trading, plutôt que de les sélectionner manuellement en fonction d'hypothèses sur différents secteurs de marché. Le conférencier conclut en mentionnant qu'il y a amplement de place pour d'autres recherches afin d'améliorer l'efficacité du modèle et d'améliorer la fiabilité des rendements. Au cours de la session de questions-réponses, ils abordent des questions concernant la période utilisée dans les données, les principaux points à retenir des corrélations négatives entre les rendements des paires et la faisabilité de la mise en œuvre d'une stratégie intrajournalière.
Enfin, le présentateur présente Siddhantu, un commerçant qui partage son expérience de projet. Siddhantu commence par discuter de leur expérience en tant que commerçant et raconte un incident impliquant un stock d'une chaîne d'hôtels medcap qui les a incités à s'interroger sur l'impact des nouvelles et du sentiment sur les cours des actions. Ils décrivent leur projet, qui est divisé en trois parties : extraction des nouvelles, analyse des sentiments et stratégie de trading. Nvidia Corporation est choisie comme action pour le projet en raison de sa liquidité et de sa volatilité.
Siddhantu explique le processus de collecte d'articles de presse à l'aide de la base de données newsapi.org et d'extraction des scores de sentiment à l'aide de la bibliothèque de journaux en Python. Les scores de sentiment sont ensuite utilisés pour générer un schéma de trading long ou short basé sur des scores extrêmes. Le conférencier partage les défis rencontrés lors de la phase de programmation mais souligne l'importance de sélectionner les bons outils et de recevoir le soutien de mentors pour réussir. Bien que les résultats soient encourageants, l'orateur souligne la nécessité d'aborder les backtests avec prudence et reconnaît qu'il y a place à l'amélioration à chaque étape du projet. Ils recommandent l'outil d'analyse de sentiment Vader en Python pour sa précision dans la génération de scores de sentiment.
L'orateur aborde l'analyse des sentiments et ses limites lorsqu'elle est appliquée aux articles de presse. Ils soulignent que si l'analyse des sentiments peut être efficace pour détecter les sentiments dans les tweets et les commentaires sur les réseaux sociaux, elle peut ne pas convenir aux articles de presse en raison des différences dans le signalement des événements négatifs. Ils répondent également aux questions du public concernant les sources utilisées pour l'analyse des sentiments, le processus de conversion des scores Vader en signaux de trading, l'utilisation de l'apprentissage en profondeur dans l'analyse des sentiments (qu'ils n'ont pas encore exploré mais reconnaissent son potentiel), et d'autres sujets connexes. .
Enfin, l'orateur se penche sur les données utilisées pour le backtesting dans le programme d'analyse des sentiments. Ils expliquent qu'environ 10 à 15 articles d'actualité percutants ont été collectés quotidiennement pour calculer un score de sentiment moyen pour chaque jour. Le programme a utilisé environ six mois de ces articles. Pour les rendements des actions, des données au niveau du jour pour les actions de Nvidia sur six mois ont été incorporées. L'orateur précise qu'aucun aspect fondamental ou technique de l'action n'a été pris en compte lors des transactions ou du backtesting, les signaux de trading étant uniquement dérivés du score de sentiment.
Trading quantitatif | Stratégies expliquées par Michael Harris
Trading quantitatif | Stratégies expliquées par Michael Harris
Dans ce tutoriel, les concepts de complexité du marché et de réflexivité sont introduits et discutés. L'accent est mis sur les changements de régime spécifiques qui se sont produits sur les marchés boursiers américains et sur d'autres marchés. Le présentateur, Michael Harris, explore comment ces changements de régime peuvent avoir un impact sur le développement de stratégies et fournit des informations sur la façon de minimiser leurs effets en ajustant les données et la combinaison de stratégies.
Le didacticiel est conçu pour être pratique, permettant aux participants de reproduire l'analyse sur leurs propres systèmes. Amibroker est utilisé pour l'analyse pendant le webinaire, et les participants peuvent télécharger le code Python pour s'entraîner davantage après la session.
Michael partage également un indicateur nouvellement développé qui mesure les changements d'état dynamique de momentum et de retour à la moyenne sur le marché. Le code de cet indicateur est fourni, permettant aux participants de l'intégrer dans leurs propres stratégies de trading.
Michael Harris, le conférencier, possède une vaste expérience dans le commerce des contrats à terme sur les matières premières et les devises depuis 30 ans. Il est l'auteur de plusieurs livres sur le trading, dont "Short-Term Trading with Price Patterns", "Stock Trading Techniques Based on Price Patterns", "Profitability and Systematic Trading" et "Fooled by Technical Analysis : The Perils of Charting", Backtesting et data-mining." Il est également l'auteur du blog Price Action Lab et le développeur du logiciel DLPAL. Michael est titulaire de deux maîtrises, l'une en génie mécanique avec un accent sur les systèmes de contrôle et l'optimisation, et l'autre en recherche opérationnelle avec un accent sur la prévision et l'ingénierie financière de l'Université de Columbia.
Le didacticiel est divisé en chapitres, couvrant différents aspects de la complexité du marché et des changements de régime. L'introduction du conférencier prépare le terrain pour le didacticiel, suivi d'un aperçu des sujets à couvrir. La stratégie de trading indiciel est expliquée, soulignant ses limites dans une revendication quantitative. La stratégie de retour à la moyenne est ensuite discutée, conduisant à une exploration plus approfondie des changements de régime et de la façon dont ils se produisent. La dynamique de retour à la moyenne sur le marché S&P est analysée, en mettant l'accent sur la complexité présente sur les marchés financiers.
Les effets néfastes de la complexité du marché sont abordés, soulignant les défis qu'elle pose aux commerçants. Le didacticiel se termine par une discussion sur les complexités supplémentaires des marchés financiers et fournit des ressources pour une exploration plus approfondie. Une séance de questions-réponses suit, permettant aux participants de clarifier leurs doutes ou d'approfondir leurs connaissances.
Ce didacticiel fournit des informations précieuses sur la complexité du marché, les changements de régime et leurs implications pour les stratégies de trading, présentées par un trader expérimenté et auteur dans le domaine.
Chapitres :
00:00 - Présentation du conférencier
02:23 - Présentation du didacticiel
03:54 - Explication de la stratégie de négociation d'indices
07:30 - Limites de l'allégation quantitative
10:45 - Stratégie de retour à la moyenne
11:38 - Changement de régime
16:30 - Comment ça se passe
18: 17 - Dynamique de réversion moyenne S&P
24:35 - Complexité des marchés financiers
26:42 - Effets indésirables
36:56 - Plus de complexité sur les marchés financiers
42:17 - Ressources
43:35 - Q&R
Trading algorithmique | Tutoriel complet | Idéation aux marchés vivants | Dr Hui Liu et Aditya Gupta
Trading algorithmique | Tutoriel complet | Idéation aux marchés vivants | Dr Hui Liu et Aditya Gupta
Dans cette vidéo, le conférencier donne un aperçu complet de la classe de maître sur l'idée, la création et la mise en œuvre d'une stratégie de trading automatisée. Le conférencier, Aditya Gupta, présente le Dr Hui Liu, fondateur d'un fonds spéculatif et auteur d'un package python qui interagit avec l'API Interactive Brokers. Il mentionne également un développement surprise lié à l'API dont le Dr Liu parlera.
La vidéo commence par expliquer la définition du trading automatisé et met en évidence les trois principales étapes impliquées dans le trading algorithmique. L'orateur partage son parcours personnel de transition du trading discrétionnaire au trading systématique en utilisant l'analyse technique.
L'importance de l'analyse dans le trading algorithmique est soulignée, en mettant l'accent sur trois types d'analyse : quantitative, technique et fondamentale. Les différents aspects de l'analyse impliquent l'étude de graphiques historiques, d'états financiers, de facteurs micro et macroéconomiques, ainsi que l'utilisation de modèles mathématiques et d'analyses statistiques pour créer des stratégies de trading. Ces stratégies sont essentiellement des algorithmes qui traitent les données et génèrent des signaux d'achat et de vente. Le processus comprend le développement de la stratégie, les tests et le trading sur papier avant de passer au trading en direct. Pour se connecter au trading en direct, la connectivité des courtiers et une API sont nécessaires, avec iBridge PI discuté comme une solution potentielle. Le concept de spectre de stratégie est également introduit, présentant différents moteurs de profit et types d'analyse.
Les conférenciers se penchent sur l'analyse quantitative et son rôle dans la création de stratégies de négociation et la gestion de portefeuille. Ils expliquent que l'analyse quantitative implique l'utilisation de modèles mathématiques et d'analyses statistiques pour obtenir des informations à partir de données historiques, qui peuvent être appliquées pour développer des stratégies de trading quantitatives. L'analyse quantitative est particulièrement utile pour la gestion des risques et le calcul des niveaux de prise de profit et de stop loss pour une stratégie. Ils continuent à démontrer le processus de création d'une stratégie de croisement de moyenne mobile simple à l'aide de bibliothèques telles que pandas, numpy et matplotlib, et à calculer le rendement de la stratégie.
Différentes mesures de performance utilisées dans le trading algorithmique, telles que le ratio de Sharpe, le taux de croissance annuel composé (CAGR) et le drawdown maximum, sont discutées. L'importance d'éviter les biais de backtesting et les erreurs courantes dans le processus est soulignée. Les conférenciers décrivent également l'ensemble des compétences requises pour l'analyse quantitative, qui comprend la connaissance des mathématiques et des statistiques, l'intérêt pour le traitement des données, la maîtrise du codage Python et une compréhension de la finance. Ils décrivent le processus de création de stratégie de trading automatisée, à partir des sources de données et de l'analyse, jusqu'au signal d'exécution, et le relient à l'interface de programmation d'application (API). Le Dr Hui Liu se présente, fournit un bref historique et donne un aperçu des sujets à venir sur le trading algorithmique avec TD Ameritrade et Interactive Brokers utilisant Python.
Le conférencier se concentre ensuite sur les trois pierres angulaires du trading algorithmique utilisant la plateforme iBridgePy : l'affichage des prix en temps réel, la récupération des données historiques et le placement d'ordres. Ces trois pierres angulaires servent de blocs de construction pour construire des stratégies complexes. Le conférencier présente trois exemples de stratégies : le rééquilibrage de portefeuille, une stratégie d'achat bas et de vente haut et une stratégie de capture de tendance utilisant des croisements de moyennes mobiles. Les avantages du trading algorithmique, tels qu'une pression réduite et moins d'erreurs humaines, sont mis en évidence. L'orateur recommande d'investir du temps dans la recherche de bonnes stratégies plutôt que de consacrer des efforts excessifs au codage, en utilisant une plateforme de trading comme iBridgePy. La flexibilité de basculer de manière transparente entre le backtesting et le trading en direct au sein de la plate-forme iBridgePy est également soulignée.
La vidéo aborde ensuite divers courtiers et options de plate-forme Python disponibles pour le trading algorithmique. TD Ameritrade est présentée comme une société de courtage basée aux États-Unis offrant une plate-forme de négociation électronique sans commission. Interactive Brokers est présenté comme l'un des principaux fournisseurs de solutions API, couramment utilisées par les fonds spéculatifs de petite et moyenne taille pour automatiser le trading. Robinhood, une autre société de courtage basée aux États-Unis, est mentionnée pour ses capacités de trading sans commission et de trading algo. Les avantages de l'utilisation de la plateforme de trading Python iBridgePy sont explorés, y compris la protection de la propriété intellectuelle des traders, la prise en charge du backtesting simultané et du trading en direct, et la compatibilité avec diverses options de package. iBridgePy facilite également les échanges avec différents courtiers et la gestion de plusieurs comptes.
Les présentateurs discutent de la nécessité d'outils efficaces pour les gestionnaires de fonds spéculatifs pour gérer plusieurs comptes simultanément et présentent la plateforme de négociation hybride appelée Average Pi. Average Pi est décrit comme une combinaison de Contopian et Quantopian, permettant le contrôle des algorithmes et du trading basé sur Python. Le processus de téléchargement et de configuration d'Average Pi sur un système Windows est démontré, y compris la configuration de la plateforme de trading Interactive Brokers via Integrity Broker. Le fichier d'entrée principal du package, runme.py, est présenté, ne nécessitant que deux modifications : le code de compte et la stratégie sélectionnée à exécuter.
Le Dr Hui Liu et Aditya Gupta proposent un tutoriel sur le trading algorithmique, montrant comment afficher un compte à l'aide d'un exemple. Ils expliquent l'utilisation des fonctions d'initialisation et de gestion des données dans Average Pi, qui offre diverses fonctions spécialement conçues pour le trading algorithmique. Ils illustrent à quel point il est facile de coder à l'aide de la plate-forme Average Pi.
Le conférencier plonge dans deux sujets : l'affichage des prix en temps réel et la récupération des données historiques. Pour les prix en temps réel, une démo est présentée où le code est structuré pour imprimer l'horodatage et demander le prix chaque seconde à l'aide de la fonction de gestion des données. Pour récupérer des données historiques à des fins de recherche, l'orateur explique la fonction de demande de données historiques et montre comment elle peut être utilisée pour récupérer une trame de données pandas contenant des données historiques, y compris l'ouverture, le haut, le bas, la fermeture et le volume. La structure du code est examinée et une démo est présentée où le code est mis à jour pour récupérer les données historiques et imprimer la sortie dans la console.
L'orateur montre comment passer un ordre à cours limité pour acheter 100 actions de SPY à 99,95 $ lorsque le prix demandé dépasse 100,01 $ dans iBridgePy. Le contrat et les quantités d'actions à échanger sont définis et la fonction « commande » est utilisée pour passer l'ordre à cours limité. L'orateur démontre également qu'il passe une commande au prix du marché en utilisant la fonction « contrôle de l'état de la commande » pour suivre l'état de la commande. Après avoir présenté ces étapes de base, le conférencier explique que la phase suivante consiste à déterminer les contrats à négocier et la fréquence des décisions de négociation pour construire des stratégies de négociation.
Les étapes impliquées dans l'exécution d'une stratégie de trading algorithmique sont discutées. La nécessité de gérer régulièrement les données et de planifier les tâches à l'aide de fonctions telles que la fonction de planification est expliquée. Le processus de calcul des indicateurs techniques est exploré, ce qui implique de demander des données historiques à un courtier et d'utiliser les capacités de trame de données de pandas pour les calculs. Les types d'ordres, tels que les ordres au marché et les ordres limités, sont examinés, et une brève mention est faite de l'incorporation d'ordres stop dans le code ou les algorithmes.
Le conférencier procède ensuite à l'explication d'une stratégie de démonstration pour rééquilibrer un portefeuille sur la base d'instructions de négociation, une approche populaire parmi les gestionnaires de fonds. L'exécution manuelle des instructions de trading à l'aide de dictionnaires Python est démontrée, et un code simple qui planifie quotidiennement une décision de trading et rééquilibre automatiquement le compte à l'aide de pourcentages cibles d'ordre est présenté. Une démonstration en direct est fournie pour présenter le processus de rééquilibrage d'un compte et la visualisation de sa position.
Trois stratégies de trading différentes pouvant être mises en œuvre à l'aide de Python sont décrites. La première est une stratégie de rééquilibrage simple qui permet aux utilisateurs de surveiller leur position, leurs actions et leur base de coûts. La seconde est une stratégie de retour à la moyenne utilisée pour identifier les opportunités de trading lorsque le cours de clôture est inférieur au cours de la veille. Enfin, une stratégie de croisement de moyenne mobile est discutée, en se concentrant sur l'utilisation de données historiques pour calculer le point de croisement pour les opportunités potentielles d'achat et de vente. Les trois stratégies impliquent de prendre des décisions de trading avant la fermeture du marché à des moments précis et d'utiliser des ordres de marché pour exécuter des transactions. Le code d'implémentation de toutes les stratégies est simple et facile à implémenter à l'aide de Python et de fonctions de planification.
Le Dr Hui Liu et Aditya Gupta expliquent comment utiliser les moyennes mobiles pour déterminer quand acheter ou vendre des actions dans un portefeuille. Ils démontrent la mise en œuvre de cette stratégie à l'aide de la plate-forme Average Pi, puis procèdent à son backtest en appliquant des données historiques pour évaluer ses performances. Le didacticiel couvre l'utilisation de la fonction Test Me Py dans Hybrid Pi pour saisir des données historiques pour la simulation et obtenir des résultats pour le solde du compte et les détails de la transaction.
Le conférencier explique comment visualiser les résultats de simulation d'une stratégie de trading algorithmique en accédant au tableau d'analyse des performances. Ce graphique affiche le journal de la balance et diverses statistiques telles que le ratio de Sharpe, la moyenne et l'écart type, qui peuvent être davantage personnalisés. L'orateur souligne qu'Average Pi est capable de gérer plusieurs comptes et de les rééquilibrer. La plate-forme est flexible, conviviale et peut être utilisée pour mettre en place une plate-forme de trading algorithmique, des backtests, des transactions en direct, des transactions avec différents courtiers et la gestion de plusieurs comptes. De plus, l'orateur invite les téléspectateurs à explorer leur service de location de codeur pour obtenir de l'aide en matière de codage et à s'abonner à leur chaîne YouTube pour des didacticiels gratuits.
Les présentateurs expliquent comment iBridge by Interactive Brokers peut être utilisé pour négocier des contrats à terme et des options, ainsi que d'autres types de contrats. Ils expliquent que la fonction Super Symbol permet de définir différents types de contrats, tels que les options sur actions, les filtres, les indices, le forex, etc. Un exemple est donné d'un produit structuré négocié à la bourse de Hong Kong, qui n'est pas une action. La fonction Super Symbol permet de négocier tout type de contrat autre que les actions. Les stop loss sont brièvement mentionnés, soulignant comment ils peuvent être incorporés dans le code ou intégrés dans un algorithme.
Les présentateurs poursuivent la discussion en soulignant l'importance de la gestion des risques dans le trading algorithmique. Ils soulignent la nécessité de mettre en œuvre des stop loss comme stratégie d'atténuation des risques pour limiter les pertes potentielles en cas de mouvements défavorables du marché. Les stop loss peuvent être intégrés dans le code ou l'algorithme pour déclencher automatiquement la vente d'un titre lorsqu'il atteint un niveau de prix prédéterminé.
Ensuite, ils se penchent sur le concept de dimensionnement des positions, qui consiste à déterminer la quantité appropriée d'actions ou de contrats à négocier en fonction du capital disponible et de la tolérance au risque. Une bonne taille de position aide à gérer les risques et à optimiser les rendements en garantissant que l'allocation du capital s'aligne sur la stratégie de gestion des risques du trader.
Les intervenants abordent également l'importance de l'évaluation et du suivi des performances dans le trading algorithmique. Ils discutent de diverses mesures de performance utilisées pour évaluer l'efficacité des stratégies de trading, y compris le ratio de Sharpe, le taux de croissance annuel composé (TCAC) et le drawdown maximum. Ces mesures fournissent des informations sur les rendements ajustés au risque, la croissance à long terme et les risques de baisse potentiels associés à la stratégie.
Pour éviter les pièges et les biais courants dans le backtesting, les présentateurs soulignent l'importance d'assurer l'intégrité des données et d'utiliser des tests hors échantillon. Ils mettent en garde contre une sur-optimisation ou un "ajustement de courbe", qui fait référence à une stratégie trop étroitement adaptée aux données historiques, entraînant de mauvaises performances dans le trading en direct en raison du manque d'adaptabilité de la stratégie aux conditions changeantes du marché.
Les conférenciers soulignent que le succès du trading algorithmique nécessite une combinaison de compétences et de connaissances. Ils mentionnent la nécessité d'avoir une base solide en mathématiques et en statistiques, un intérêt pour le travail avec les données, une maîtrise du codage avec Python et une bonne compréhension des marchés financiers. Ils encouragent les personnes intéressées par le trading algorithmique à élargir continuellement leurs connaissances et leurs compétences grâce à des ressources d'apprentissage et à des applications pratiques.
Dans le dernier segment de la vidéo, le Dr Hui Liu se présente et partage son expérience en tant que fondateur de fonds spéculatifs et auteur d'un package Python qui interagit avec l'API Interactive Brokers. Il discute brièvement des sujets à venir liés au trading algorithmique avec TD Ameritrade et Interactive Brokers utilisant Python, préparant le terrain pour une exploration plus approfondie de ces sujets dans les futures classes de maître.
La vidéo fournit un aperçu complet du trading algorithmique, couvrant le parcours de l'idéation à la mise en œuvre de stratégies de trading automatisées. Il souligne l'importance de l'analyse, aborde différents types d'analyse (quantitative, technique et fondamentale) et explore divers aspects du développement, des tests et de l'exécution de stratégies. Les conférenciers démontrent l'application pratique de plates-formes basées sur Python telles que iBridgePy et Average Pi, présentant leurs capacités de suivi des prix en temps réel, de récupération de données historiques, de placement d'ordres et de rééquilibrage de portefeuille.
Prévision de l'évaluation à long terme des entreprises par le professeur S Chandrasekhar | Présentation de la recherche
Prévision de l'évaluation à long terme des entreprises par le professeur S Chandrasekhar | Présentation de la recherche
Le professeur S. Chandrasekhar est professeur principal et directeur de l'analyse commerciale à l'IFIM Business School de Bangalore. Avec plus de 20 ans d'expérience dans le milieu universitaire, il a occupé des postes tels que directeur de la chaire de professeur à la FORE School of Management à New Delhi et professeur à l'Indian Institute of Management à Lucknow. Il est titulaire d'un baccalauréat en génie électrique, d'une maîtrise en informatique de l'IIT Kanpur et d'un doctorat en systèmes quantitatifs et d'information de l'Université de Géorgie, aux États-Unis.
Dans cette présentation, le professeur S. Chandrasekhar se concentre sur la prédiction de la valeur d'entreprise (EV) à long terme d'une entreprise utilisant des techniques avancées d'apprentissage automatique et de traitement du langage naturel. Contrairement à la capitalisation boursière, qui tient principalement compte de la valeur actionnariale, la valeur d'entreprise fournit une évaluation plus complète d'une entreprise en incorporant des facteurs tels que la dette à long terme et les réserves de trésorerie.
Pour calculer l'EV, la capitalisation boursière est ajustée en ajoutant la dette à long terme et en soustrayant les réserves de trésorerie. En prédisant la valeur d'entreprise jusqu'à six mois à l'avance sur une base continue, cette approche peut aider les investisseurs et les sociétés de notation à acquérir une perspective à long terme sur la croissance des investissements et à gérer les risques associés.
Modélisation du risque de crédit par le Dr Xiao Qiao | Présentation de la recherche
Modélisation du risque de crédit par le Dr Xiao Qiao | Présentation de la recherche
Bonjour bonjour bonsoir. Je m'appelle Vedant et je viens de Quantum C. Aujourd'hui, j'ai le plaisir d'être votre hôte pour cet événement. Nous sommes rejoints par le Dr Xiao, co-fondateur de Parachronic Technologies, qui partagera son expertise sur la modélisation du risque de crédit à l'aide de l'apprentissage en profondeur. Les intérêts de recherche du Dr Xiao portent principalement sur l'évaluation des actifs, l'économétrie financière et les investissements. Il a été reconnu pour son travail par des institutions réputées telles que Forbes, CFA Institute et Institutional Investors. En outre, le Dr Xiao siège au comité de rédaction du Journal of Portfolio Management et du Global Commodities Applied Research Digest. Il est titulaire d'un doctorat en finance de l'Université de Chicago.
Au cours de cette session, le Dr Xiao approfondira le sujet de la modélisation du risque de crédit et explorera les applications de l'apprentissage en profondeur dans ce domaine. Il discutera de la manière dont l'apprentissage en profondeur peut être utilisé pour évaluer et calibrer des modèles de risque de crédit complexes, en se concentrant particulièrement sur son efficacité dans les cas où des solutions fermées ne sont pas disponibles. L'apprentissage en profondeur offre une solution alternative conceptuellement simple et efficace dans de tels scénarios. Le Dr Xiao exprime sa gratitude d'avoir participé à l'anniversaire des 10 ans de l'Institut Quan et est ravi de partager ses idées.
À l'avenir, la discussion portera sur le marché du crédit, en particulier sur l'ampleur massive du marché et l'importance croissante des swaps sur défaillance de crédit (CDS). Avec une valeur nominale en circulation des CDS estimée à environ 8 000 milliards de dollars en 2019, le marché n'a cessé de croître. Le notionnel de l'indice CDS a également connu une croissance substantielle, atteignant près de 6 000 milliards ces dernières années. De plus, le marché obligataire mondial dépasse le chiffre stupéfiant de 100 000 milliards de dollars, une part importante étant constituée d'obligations d'entreprises qui comportent un risque de crédit inhérent en raison de la défaillance potentielle des institutions émettrices.
À mesure que les marchés du crédit évoluent et deviennent plus complexes, les modèles de risque de crédit sont également devenus de plus en plus complexes pour saisir la nature dynamique du risque de défaut. Ces modèles utilisent souvent des variables d'état stochastiques pour tenir compte du caractère aléatoire présent sur les marchés financiers sur différentes périodes et échéances. Cependant, la complexité croissante de ces modèles a rendu leur estimation et leur résolution coûteuses en termes de calcul. Cette question sera un point focal plus tard dans la présentation.
L'apprentissage automatique, avec son impact transformateur sur divers domaines, y compris la finance, a pris de l'importance ces dernières années. Il est de plus en plus utilisé dans la finance empirique, comme la tarification transversale des actifs et la construction de portefeuilles d'actions. Notamment, l'apprentissage en profondeur a été utilisé pour approximer la tarification des dérivés et la tarification des options, ainsi que pour calibrer les modèles de volatilité stochastique. Dans cet article, le Dr Xiao et son collègue, Gerardo Munzo de Kempos Capital, proposent d'appliquer l'apprentissage en profondeur à la modélisation du risque de crédit. Leurs recherches démontrent que l'apprentissage en profondeur peut remplacer efficacement les solutions complexes de modèles de risque de crédit, ce qui se traduit par un calcul efficace et précis des écarts de crédit.
Pour fournir un contexte supplémentaire, le Dr Xiao présente le concept de modélisation du risque de crédit. Il explique que le prix d'une obligation en défaut est déterminé par la moyenne pondérée par la probabilité des flux de trésorerie actualisés dans les scénarios de défaut et de non-défaut. La probabilité de défaut est une quantité cruciale dans les modèles de risque de crédit car elle quantifie la probabilité de défaut. Il existe deux grands types de modèles de risque de crédit : les modèles structurels et les modèles de forme réduite. Les modèles structurels établissent un lien direct entre les événements de défaut et la structure du capital d'une entité. D'autre part, les modèles de forme réduite représentent le risque de défaut comme un processus statistique, utilisant généralement un processus de Poisson avec un paramètre d'intensité par défaut. Le Dr Xiao souligne que les modèles de risque de crédit impliquent la résolution de fonctions de tarification pour dériver les écarts de crédit, ce qui peut nécessiter beaucoup de calculs en raison de la nécessité d'une intégration numérique et de recherches de grille.
C'est là que l'apprentissage en profondeur entre en scène. Le Dr Xiao poursuit en expliquant les réseaux de neurones et l'apprentissage en profondeur, illustrant comment ils peuvent être appliqués à la modélisation du risque de crédit. Les réseaux de neurones introduisent la non-linéarité.
Les réseaux de neurones, un composant fondamental de l'apprentissage en profondeur, consistent en des couches interconnectées de neurones artificiels qui imitent la structure du cerveau humain. Ces réseaux peuvent apprendre des modèles et des relations complexes à partir de données via un processus appelé formation. Pendant la formation, le réseau ajuste ses paramètres internes pour minimiser la différence entre les sorties prévues et les sorties réelles, optimisant ainsi ses performances.
Le Dr Xiao explique que l'apprentissage en profondeur peut être mis à profit pour approximer des modèles de risque de crédit complexes en formant des réseaux de neurones sur des données historiques. Le réseau neuronal apprend la correspondance entre les variables d'entrée, telles que les facteurs économiques et financiers, et les écarts de crédit correspondants. Une fois formé, le réseau peut être utilisé pour estimer efficacement les spreads de crédit pour les nouvelles données d'entrée.
L'un des principaux avantages de l'utilisation de l'apprentissage en profondeur dans la modélisation du risque de crédit est sa capacité à approximer des fonctions de tarification complexes. Traditionnellement, les modèles de risque de crédit utilisent des techniques d'intégration numérique et des recherches de grille pour résoudre les fonctions de tarification, qui peuvent être exigeantes en termes de calcul et chronophages. L'apprentissage en profondeur offre une alternative plus efficace en se rapprochant directement de la fonction de tarification grâce à la cartographie apprise du réseau de neurones.
Le Dr Xiao souligne que les modèles d'apprentissage en profondeur peuvent capturer des relations et des interactions non linéaires entre les variables d'entrée, qui sont souvent présentes dans les modèles de risque de crédit. Cette flexibilité permet au réseau de neurones de s'adapter aux complexités des marchés du crédit et de générer des estimations précises des spreads de crédit.
De plus, les modèles d'apprentissage en profondeur peuvent gérer plus efficacement les données manquantes ou incomplètes par rapport aux méthodes traditionnelles. Ils ont la capacité d'apprendre à partir des données disponibles et de faire des prévisions raisonnables même en présence d'informations manquantes. Ceci est particulièrement avantageux dans la modélisation du risque de crédit, où les données peuvent être rares ou contenir des lacunes.
Pour valider l'efficacité de l'apprentissage en profondeur dans la modélisation du risque de crédit, le Dr Xiao et son collègue ont mené des expériences empiriques approfondies à l'aide d'un vaste ensemble de données d'obligations d'entreprises. Ils ont comparé les performances des estimations des spreads de crédit basées sur l'apprentissage approfondi avec celles obtenues à partir des modèles de risque de crédit traditionnels. Les résultats ont démontré que les modèles d'apprentissage en profondeur surpassaient systématiquement les modèles traditionnels en termes de précision et d'efficacité de calcul.
Le Dr Xiao conclut sa présentation en soulignant le potentiel de transformation de l'apprentissage en profondeur dans la modélisation du risque de crédit. Il met en évidence l'efficacité, la précision et la flexibilité des modèles d'apprentissage en profondeur dans l'approximation de modèles de risque de crédit complexes, en particulier dans les cas où les solutions de forme fermée ne sont pas disponibles ou exigent des calculs.
Après la présentation, la parole est donnée aux questions du public. Les participants peuvent se renseigner sur les applications spécifiques de l'apprentissage en profondeur dans la modélisation du risque de crédit, les exigences en matière de données, l'interprétabilité des modèles et tout autre sujet pertinent. Le Dr Xiao se réjouit d'avoir l'occasion de dialoguer avec le public et de fournir des informations supplémentaires sur la base de son expertise et des résultats de ses recherches.
Séance de questions-réponses après la présentation du Dr Xiao :
Membre du public 1 : - gérer l'interprétabilité ?"
Dr Xiao : "C'est une excellente question. L'interprétation des modèles d'apprentissage en profondeur peut être difficile en raison de leur complexité inhérente. Les réseaux de neurones profonds fonctionnent comme des boîtes noires, ce qui rend difficile la compréhension directe du fonctionnement interne et l'interprétation des activations neuronales individuelles. efforts de recherche en cours pour améliorer l'interprétabilité dans l'apprentissage en profondeur."
"Des techniques telles que l'analyse de l'importance des caractéristiques, les méthodes basées sur les gradients et les mécanismes d'attention peuvent aider à faire la lumière sur les facteurs influençant les prédictions du modèle. En examinant la réponse du réseau à différentes variables d'entrée, nous pouvons mieux comprendre leur importance relative dans la détermination des écarts de crédit. ."
"De plus, les méthodes d'interprétabilité indépendantes du modèle, telles que LIME (Local Interpretable Model-Agnostic Explanations) ou SHAP (SHapley Additive exPlanations), peuvent être appliquées aux modèles d'apprentissage en profondeur. Ces méthodes fournissent des explications pour les prédictions individuelles en rapprochant le modèle localement autour d'un entrée spécifique."
"Il est important de noter que bien que ces techniques offrent un certain niveau d'interprétabilité, la principale force des modèles d'apprentissage en profondeur réside dans leur capacité à capturer des modèles et des relations complexes dans les données. Le compromis entre l'interprétabilité et les performances du modèle est une considération dans le crédit modélisation des risques, et les chercheurs explorent activement les moyens de trouver un équilibre entre les deux."
Membre du public 2: "Merci pour les idées, le Dr Xiao. Je suis curieux de savoir les exigences de données pour la formation de modèles d'apprentissage en profondeur dans la modélisation des risques de crédit. Pourriez-vous développer la quantité et la qualité des données nécessaires?"
Dr Xiao : "Certainement. Les modèles d'apprentissage en profondeur bénéficient généralement de grandes quantités de données pour une formation efficace. Dans la modélisation du risque de crédit, il est essentiel de disposer d'un ensemble de données diversifié et complet pour saisir la complexité des marchés du crédit."
"Les données pour la formation des modèles d'apprentissage en profondeur doivent inclure une variété d'indicateurs économiques et financiers, tels que des facteurs macroéconomiques, des variables spécifiques à l'industrie, des écarts de crédit historiques et des données de marché pertinentes. Plus l'ensemble de données est diversifié et représentatif, mieux le modèle peut généraliser aux nouveaux scénarios de risque de crédit."
"En ce qui concerne la qualité des données, il est important de garantir l'exactitude, la cohérence et la pertinence des variables d'entrée. Les techniques de prétraitement des données, telles que le nettoyage des données, la normalisation et l'ingénierie des fonctionnalités, jouent un rôle essentiel dans la préparation de l'ensemble de données pour la formation. Suppression des valeurs aberrantes, le traitement des valeurs manquantes et la mise à l'échelle appropriée des données sont des étapes cruciales pour garantir des performances fiables du modèle. »
"En outre, il est essentiel de maintenir des données à jour, car les modèles de risque de crédit doivent s'adapter aux conditions changeantes du marché. Des mises à jour régulières et un suivi de la qualité et de la pertinence des données sont nécessaires pour garantir l'exactitude continue des modèles d'apprentissage en profondeur."
Ce n'étaient que quelques questions du public, mais la session de questions-réponses se poursuit avec diverses autres questions et discussions sur des sujets tels que la robustesse du modèle, les limites potentielles de l'apprentissage en profondeur dans la modélisation du risque de crédit et les défis de mise en œuvre dans le monde réel. Le Dr Xiao s'engage activement avec le public, partageant son expertise et les connaissances acquises grâce à ses recherches.
Qu'est-ce qui impacte une stratégie Quant ? [Table ronde] - 24 sept. 2020
Qu'est-ce qui impacte une stratégie Quant ? [Table ronde] - 24 sept. 2020
Au cours de la table ronde sur les stratégies de recherche d'alpha dans la finance, Nicholas a fait valoir qu'il est incroyablement difficile de créer de l'alpha dans les fonds communs de placement et les fonds spéculatifs, déclarant que 99 % des investisseurs ne devraient pas rechercher activement des positions alpha. Il souligne les défis de la génération d'alpha dans les fonds spéculatifs neutres au marché et suggère que l'investissement factoriel est une option plus viable pour surperformer le marché.
Le panel est d'accord avec Nicholas et souligne l'importance de trouver des sources de données uniques et de les utiliser pour développer une stratégie systématique d'investissement factoriel. Ils croient que cette approche est la clé d'une génération d'alpha réussie. Ils discutent également de la difficulté d'atteindre un véritable alpha sur le marché actuel et suggèrent des stratégies alternatives telles que l'allocation d'actifs et la gestion des risques.
Le panel déconseille de se concentrer uniquement sur la recherche d'alpha et suggère de s'intéresser aux niches du marché qui sont moins couvertes et, par conséquent, moins efficaces. Ils soulignent l'importance de construire un portefeuille de référence bien construit, comme des stratégies bêta, et encouragent les investisseurs à regarder au-delà du S&P 500 pour trouver des actions potentiellement rentables.
Les panélistes avertissent que même si l'alpha est identifié, il peut ne pas être possible de le récolter en raison de conflits potentiels avec les prime brokers. Ils discutent également des avantages de négocier des actifs qui ne font pas partie de l'univers d'investissement principal dans les contrats à terme ou qui ne font pas partie du mandat du gestionnaire. Ces actifs sont souvent moins encombrés, ce qui entraîne des ratios de Sharpe plus élevés par rapport aux actifs bien connus sur le marché. Cependant, ils reconnaissent que la négociation de ces actifs peut nécessiter une taille de portefeuille plus petite et entraîner des frais plus élevés en raison de leur faible liquidité et de l'effort de négociation accru.
Laurent est d'accord avec le point de vue de Nicholas selon lequel les stratégies traditionnelles de gestion active, telles que la sélection d'actions à long terme, n'ont jamais bien fonctionné. Il estime que la charge de la preuve s'est déplacée vers les gestionnaires actifs pour démontrer leur capacité à évoluer et à performer dans des marchés difficiles.
Le panel discute également de l'importance de considérer le côté court d'une stratégie d'investissement long-short. Ils soulignent la nécessité d'une gestion des risques et d'un test de résistance de la stratégie par le biais d'un backtesting approfondi, y compris l'examen de l'impact des coûts de transaction et des modifications de la structure du marché. Le panel recommande de consacrer suffisamment de temps à la stratégie pour identifier les rares qui survivent au processus de validation.
La discussion passe ensuite aux implications pratiques et à la visualisation des stratégies de génération d'alpha. Le panel reconnaît la valeur de la recherche universitaire, mais note qu'elle manque souvent d'implications pratiques et de détails de mise en œuvre. Ils soulignent l'importance de créer des stratégies qui peuvent être exécutées du point de vue du portefeuille, survivre aux coûts de transaction et s'aligner sur les attentes des clients. La représentation visuelle, telle que les graphiques illustrant les baisses de négociation, est préférée aux tableaux car elle aide les investisseurs à conserver leurs stratégies lors de baisses importantes.
Le conférencier souligne l'importance de bâtir une stratégie alignée sur les objectifs du client et synchronisée avec les raisons économiques et fondamentales. Ils insistent sur le besoin de simplicité et d'explicabilité, affirmant qu'une stratégie doit pouvoir se résumer en quelques phrases simples. Le backtesting n'est pas uniquement destiné à prouver qu'une stratégie fonctionne mais à tester sa résilience en repoussant ses limites.
Le panel réfléchit à l'impact des stratégies quantitatives et identifie le retour à la moyenne et le suivi de tendance comme les deux stratégies fondamentales, quelle que soit la classe d'actifs ou la période. Ils comparent le suivi des tendances à l'achat de billets de loterie, avec de faibles taux de gain et une forte volatilité, et mettent en évidence le retour à la moyenne comme une stratégie qui génère un dollar à la fois avec des taux de gain élevés et une faible volatilité. Ils discutent de l'importance de gérer les pertes et d'optimiser les attentes de gain en inclinant et en mélangeant ces stratégies. Ils abordent également les défis de la vente à découvert et de la queue des détenteurs institutionnels.
La gestion des risques occupe une place centrale dans la discussion, le panel soulignant la nécessité d'une anticipation positive dans les stratégies boursières. Ils considèrent le marché boursier comme un jeu infini, aléatoire et complexe et suggèrent de mélanger des transactions à taux de gain élevé avec des billets de loterie pour atténuer les pertes potentielles. Le panel discute également du moment où il faut retirer une stratégie, soulignant l'importance de se tenir au courant de la recherche et de tenir compte des changements structurels ou des fluctuations du marché qui pourraient avoir un impact sur une stratégie. Le retrait d'une stratégie ne devrait avoir lieu qu'après des recherches approfondies et des changements de cadre.
Le panel aborde les difficultés de gérer plusieurs stratégies d'investissement et de gérer les stratégies sous-performantes. Ils soulignent l'importance de respecter le mandat d'investissement et de comprendre les attentes des clients. Le panel suggère d'avoir un processus pour trouver de nouvelles stratégies et de les mettre en œuvre tout en sachant quand retirer les stratégies qui ne fonctionnent pas bien. Ils discutent de deux approches pour gérer les stratégies sous-performantes, soit les conserver pour une vision à long terme, soit utiliser des techniques de suivi des tendances et les retirer du portefeuille. La décision dépend du mandat spécifique et du financement du fonds multi-stratégies et multi-actifs.
Les panélistes soulignent les défis de l'investissement quantitatif et l'importance d'avoir confiance dans le travail accompli, quelle que soit la quantité de recherche. Ils mentionnent la possibilité de transformer les stratégies en stratégies meilleures et soulignent la rareté des stratégies réellement diversifiées. Ils abordent également la vente à découvert d'actions, telles que Tesla, et notent que vendre à découvert une action revient essentiellement à vendre à découvert une idée ou une croyance, en particulier dans les shorts d'évaluation basés sur une histoire. Ils donnent un exemple du Japon en 2005, où une société de crédit à la consommation avait une valorisation stratosphérique mais est restée une courte paisible jusqu'à ce qu'elle finisse par faire faillite quelques années plus tard.
Les conférenciers discutent des pièges de l'arrêt d'une stratégie basée sur des valorisations surréalistes qui ne correspondent pas aux attentes traditionnelles. Ils mentionnent des entreprises comme Tesla, dont la capitalisation boursière a dépassé celle de grandes entreprises comme Toyota. Les panélistes soulignent l'importance de la symétrie en ayant les mêmes règles pour les côtés court et long, bien qu'ils reconnaissent que c'est plus difficile. Ils croient que de nombreuses stratégies peuvent être améliorées, et même différentes classes d'actifs sont, par essence, un pari sur la croissance économique.
Le panel discute également de la difficulté de trouver des stratégies qui se diversifient vraiment et tirent parti de l'incertitude et de la volatilité financières. Ils soulignent les limites des stratégies de fonds spéculatifs classiques à cet égard et recommandent aux aspirants quants de penser à des modèles et d'être prêts à abandonner les stratégies qui ne fonctionnent pas. Ils suggèrent que les investisseurs particuliers se concentrent sur les ETF diversifiés à faible coût et accordent la priorité à la gestion des risques.
Le panel conclut la discussion en abordant l'efficacité des marchés financiers et les défis auxquels sont confrontés les investisseurs individuels lorsqu'ils sont en concurrence avec des professionnels. Ils recommandent d'utiliser des documents de recherche académique comme source d'inspiration plutôt que d'évangile et de trouver des idées qui ne sont pas courantes pour éviter une corrélation excessive avec le marché plus large. Ils fournissent leurs identifiants Twitter, leurs profils LinkedIn et leurs sites Web à ceux qui souhaitent approfondir leur travail.
Le panel se penche sur divers aspects des stratégies de recherche d'alpha, soulignant les difficultés, les approches alternatives, les considérations de gestion des risques et l'importance des implications pratiques et de la visualisation. Leurs idées fournissent des conseils précieux aux investisseurs et quants naviguant dans le paysage complexe de la finance.
Trading avec Deep Reinforcement Learning | Docteur Thomas Stark
Trading avec Deep Reinforcement Learning | Docteur Thomas Stark
Le Dr Thomas Starke, expert en apprentissage par renforcement profond pour le trading, présente le concept d'apprentissage par renforcement (RL) et son application dans le domaine du trading. L'apprentissage par renforcement permet aux machines d'apprendre à effectuer une tâche sans supervision explicite en déterminant les meilleures actions à entreprendre afin de maximiser les résultats favorables. Il utilise l'exemple d'une machine apprenant à jouer à un jeu informatique, où elle progresse à travers différentes étapes tout en répondant à des repères visuels à l'écran. Le succès ou l'échec de la machine est déterminé par les décisions qu'elle a prises tout au long du jeu.
Le Dr Starke plonge dans les spécificités du trading avec l'apprentissage par renforcement en profondeur en discutant du processus de décision de Markov. Dans ce processus, chaque état correspond à un paramètre de marché particulier, et une action entreprise fait passer le processus à l'état suivant. Selon la transition, l'agent (la machine) reçoit une récompense positive ou négative. L'objectif est de maximiser la récompense attendue compte tenu d'une certaine politique et d'un certain état. Dans le contexte du trading, les paramètres de marché aident à identifier l'état actuel, permettant à l'agent de prendre des décisions éclairées sur les actions à entreprendre.
Le processus de prise de décision dans le trading consiste à déterminer s'il faut acheter, vendre ou conserver des positions en fonction de divers indicateurs qui informent sur l'état du système. Le but ultime est de recevoir la meilleure récompense possible, c'est-à-dire le profit ou la perte résultant de l'échange. Le Dr Starke note que les approches traditionnelles d'apprentissage automatique attribuent des étiquettes spécifiques aux états, tels que le profit ou la perte immédiats. Cependant, cela peut conduire à des étiquettes incorrectes si une transaction va temporairement à l'encontre des attentes. La machine doit comprendre quand rester dans une transaction même si elle subit initialement des pertes, en ayant la conviction d'attendre que la transaction revienne à la ligne moyenne avant de sortir.
Pour résoudre la difficulté d'étiqueter chaque étape du profit et de la perte d'un métier, le Dr Starke introduit l'étiquetage rétroactif dans l'apprentissage par renforcement. L'apprentissage automatique traditionnel étiquette chaque étape d'un métier, ce qui rend difficile de prédire si un métier peut devenir rentable à l'avenir malgré les pertes initiales. L'étiquetage rétroactif utilise l'équation de Bellman pour attribuer une valeur non nulle à chaque action et état, même si cela ne rapporte pas de profit immédiat. Cette approche permet la possibilité d'un retour à la moyenne et d'une rentabilité éventuelle.
La gratification différée est un défi majeur dans le trading, et le Dr Starke explique comment l'apprentissage par renforcement aide à surmonter cet obstacle. L'équation de Bellman est utilisée pour calculer la récompense d'une action, incorporant à la fois la récompense immédiate ("r") et la récompense cumulative ("q"). Le facteur d'actualisation ("gamma") détermine le poids accordé aux résultats futurs par rapport aux précédents. En tirant parti de l'apprentissage par renforcement, les décisions de trading ne sont pas uniquement basées sur des récompenses immédiates, mais tiennent également compte du potentiel de récompenses futures plus élevées. Cette approche permet une prise de décision plus éclairée par rapport à une prise de décision purement gourmande.
L'apprentissage par renforcement profond est particulièrement utile dans le trading en raison de la complexité des marchés financiers et du grand nombre d'états et d'influences à prendre en compte. Le Dr Starke met en évidence l'utilisation de réseaux de neurones profonds pour approximer des tableaux basés sur des expériences passées, éliminant ainsi le besoin d'un énorme tableau. Il souligne l'importance de sélectionner des entrées qui ont une valeur prédictive et de tester le système pour un comportement connu. L'état du commerce implique des prix historiques et actuels, des données de garde techniques, des sources de données alternatives comme le sentiment ou des images satellites, et plus encore. Il est crucial de trouver la bonne fonction de récompense et les bonnes entrées pour définir l'état. La mise à jour constante des tables approximées par les réseaux de neurones permet à la machine d'apprendre progressivement et de prendre de meilleures décisions de trading.
Le Dr Starke explique comment structurer les séries de prix pour la formation à l'aide de l'apprentissage par renforcement. Au lieu de parcourir séquentiellement la série de prix, on peut entrer et sortir au hasard à différents points. Le choix de la méthode dépend des exigences spécifiques et des préférences de l'utilisateur. Il se penche également sur le défi de concevoir une fonction de récompense, en fournissant des exemples tels que l'utilisation d'un pourcentage pur de profits et pertes (P&L), le profit par tick, le ratio de Sharpe et divers types de sanctions pour éviter des retraits prolongés ou des durées d'échange excessives.
En termes d'entrées, le Dr Starke suggère plusieurs options, y compris les valeurs d'ouverture, hautes, basses, de clôture et de volume, les modèles de chandeliers, les indicateurs techniques comme l'indice de force relative et divers facteurs liés au temps. Les entrées peuvent également inclure les prix et les indicateurs techniques d'autres instruments et sources de données alternatives telles que l'analyse des sentiments ou les images satellites. Ces entrées sont combinées pour construire un état complexe, similaire à la façon dont un jeu informatique utilise des fonctionnalités d'entrée pour prendre des décisions. Trouver la bonne fonction de récompense qui correspond à son style de trading est essentiel, car cela permet d'optimiser le système en conséquence.
La phase de test est une étape essentielle pour l'apprentissage par renforcement dans le trading. Le Dr Starke explique la série de tests qu'il effectue, y compris les ondes sinusoïdales propres, les courbes de tendance, les séries aléatoires sans structure, différents types de corrélations d'ordre, le bruit dans les courbes de test propres et les modèles récurrents. Ces tests permettent d'évaluer si la machine génère régulièrement des bénéfices et d'identifier les défauts du codage. Il discute également de l'utilisation de différents types de réseaux de neurones, tels que les réseaux standard, convolutifs et à mémoire longue à court terme (LSTM). Le Dr Starke préfère les réseaux de neurones plus simples qui suffisent à ses besoins et ne nécessitent pas d'effort de calcul excessif.
Le Dr Starke reconnaît les défis du trading avec l'apprentissage par renforcement, tels que la distinction entre le signal et le bruit et la question des minima locaux. L'apprentissage par renforcement se débat avec des séries chronologiques financières bruyantes et des systèmes financiers dynamiques caractérisés par des règles et des régimes de marché changeants. Cependant, il démontre que le lissage de la courbe des prix avec une simple moyenne mobile peut améliorer considérablement les performances de la machine d'apprentissage par renforcement. Cet aperçu offre des conseils sur la création d'un système d'apprentissage automatique performant capable de prendre des décisions commerciales rentables.
En ce qui concerne les questions du public, le Dr Starke fournit des informations supplémentaires. Il confirme que l'équation de Bellman évite d'introduire un biais d'anticipation et que des indicateurs techniques peuvent être utilisés comme entrées après une analyse minutieuse. Il suggère que les images satellites pourraient être utiles pour prédire les cours des actions. En termes de délais, le trading de renforcement peut être appliqué à de petits délais en fonction du temps de calcul du réseau de neurones. Il discute de la sensibilité des algorithmes de négociation par renforcement aux anomalies du marché et explique pourquoi la formation d'arbres de décision aléatoires à l'aide de l'apprentissage par renforcement n'a pas de sens.
Interrogé sur le choix des réseaux de neurones, le Dr Starke recommande d'utiliser des réseaux de neurones pour le commerce au lieu d'arbres de décision ou de machines à vecteurs de support en raison de leur adéquation au problème. Le réglage de la fonction de perte en fonction de la fonction de récompense est essentiel pour des performances optimales. Il reconnaît que certaines tentatives ont été faites pour utiliser l'apprentissage par renforcement pour le trading à haute fréquence, mais les réseaux de neurones lents manquant de réactivité sur les marchés en temps réel ont été une limitation. Le Dr Starke insiste sur l'importance d'acquérir des connaissances sur le marché pour poursuivre avec succès une carrière dans le trading, de réaliser des transactions réelles et d'apprendre en profondeur tout au long du processus. Enfin, il discute des défis associés à la combinaison des réseaux de neurones et du trading d'options.
Le Dr Starke aborde également l'utilisation des données d'options comme données d'entrée pour négocier l'instrument sous-jacent, plutôt que de s'appuyer uniquement sur des indicateurs techniques. Il offre des informations sur l'utilisation des réseaux de neurones pour déterminer le nombre de lots à acheter ou à vendre et sur l'incorporation de facteurs tels que la propagation, la commission et le glissement dans l'algorithme en créant un modèle de glissement et en intégrant ces facteurs dans la fonction de récompense. Il recommande la prudence lors de l'utilisation de réseaux de neurones pour décider des volumes d'échanges et suggère d'utiliser les valeurs de sortie pour ajuster les pondérations du portefeuille en conséquence. Il conclut en exprimant sa gratitude pour les questions du public et sa participation à son discours, invitant à un engagement et une interaction supplémentaires via LinkedIn.
Au cours de la présentation, le Dr Starke a souligné l'importance de l'apprentissage continu et de l'amélioration dans le domaine du trading avec l'apprentissage par renforcement. Il a souligné la nécessité de constamment mettre à jour les réseaux de neurones et d'affiner le système en fonction des nouvelles données et des conditions du marché. Ce processus itératif permet à la machine de s'adapter à l'évolution de la dynamique et d'améliorer ses capacités de prise de décision au fil du temps.
Le Dr Starke a également discuté du concept de validation du modèle et de l'importance des tests hors échantillon. Il est crucial d'évaluer les performances du modèle formé sur des données invisibles pour s'assurer qu'il se généralise bien et qu'il n'est pas trop adapté aux conditions spécifiques du marché. Les tests hors échantillon aident à valider la robustesse du système et fournissent une évaluation plus réaliste de ses performances.
De plus, il a abordé les défis du prétraitement des données et de l'ingénierie des fonctionnalités dans le commerce avec l'apprentissage par renforcement. La préparation des données dans un format approprié et la sélection de fonctionnalités informatives sont des étapes essentielles dans la construction d'un modèle de trading efficace. Le Dr Starke a suggéré d'explorer diverses techniques telles que la normalisation, la mise à l'échelle et la sélection de fonctionnalités pour optimiser les données d'entrée pour les réseaux de neurones.
En outre, le Dr Starke a reconnu les limites de l'apprentissage par renforcement et sa sensibilité aux anomalies du marché ou aux événements extrêmes. Bien que l'apprentissage par renforcement puisse offrir des informations précieuses et générer des stratégies rentables, il est important de faire preuve de prudence et de comprendre les risques inhérents au trading. Les stratégies de gestion des risques et de diversification jouent un rôle crucial pour atténuer les pertes potentielles et assurer le succès à long terme.
En conclusion, la présentation du Dr Starke a fourni un aperçu complet de l'application de l'apprentissage par renforcement dans le trading. Il a discuté des concepts clés, des défis et des meilleures pratiques associés à l'utilisation d'algorithmes d'apprentissage par renforcement profond pour prendre des décisions commerciales éclairées. En tirant parti de la puissance des réseaux de neurones et des principes de l'apprentissage par renforcement, les traders peuvent améliorer leurs stratégies et potentiellement obtenir de meilleures performances sur des marchés financiers dynamiques et complexes.
EPAT Sneak Peek Lecture - Comment optimiser une stratégie de trading ? - 27 février 2020
EPAT Sneak Peek Lecture - Comment optimiser une stratégie de trading ? - 27 février 2020
Dans la vidéo, l'orateur commence par fournir des informations générales sur le contenu C et présente son expérience dans le commerce et la banque. Ils discutent des différentes méthodologies de trading, y compris le trading systématique, le trading quantitatif, le trading algorithmique et le trading à haute fréquence. L'objectif principal de la vidéo est de fournir des informations sur le développement et l'optimisation d'une stratégie de trading de manière quantifiable et de comparer les approches de trading discrétionnaires et quantitatives.
L'orateur insiste sur l'importance de la surperformance et du taux de réussite dans le trading. Ils expliquent que pour obtenir une surperformance d'au moins 50 % des actions avec une probabilité de 95 %, les traders doivent être corrects dans leurs prévisions un certain nombre de fois, ce qui augmente avec le nombre d'actifs suivis et échangés. Le trading systématique, qui permet de suivre plus d'actions, présente un avantage sur le trading discrétionnaire à cet égard. Cependant, le trading discrétionnaire peut fournir des informations exclusives plus approfondies en suivant moins d'actions. L'orateur présente la loi fondamentale de la gestion des investissements, qui stipule que la performance d'un gestionnaire d'investissement par rapport à l'indice de référence est directement proportionnelle à son taux de réussite et à la racine carrée du nombre de paris pris.
Différents types de traders, tels que les traders techniques, les traders fondamentaux et les quants, captent le risque et les rendements de différentes manières. L'orateur explique que presque toutes ces approches commerciales peuvent être exprimées sous forme de règles, rendant possible le commerce systématique. Une stratégie de trading est définie comme un ensemble mathématique de règles qui détermine quand acheter, vendre ou conserver, quelle que soit la phase du marché. L'objectif d'une stratégie de trading est de générer une fonction de signal basée sur les données entrantes et de la convertir en une position cible pour l'actif sous-jacent. Bien que le trading soit complexe en raison du caractère aléatoire et stochastique du marché, les stratégies basées sur des règles peuvent aider à gérer les risques.
L'orateur se penche sur les fonctions impliquées dans la conception et la mise en œuvre d'une stratégie de trading. Ils soulignent que le rendement réalisé sur le marché réel est hors de contrôle et ne peut être modifié. Par conséquent, il est essentiel d'optimiser la fonction de Pi compte tenu de certaines contraintes en modifiant les paramètres pour améliorer la stratégie. L'orateur décrit les étapes du développement de la stratégie, y compris l'idéation, les tests d'hypothèses, la conversion des règles, les backtestings, l'estimation des risques, le déploiement et l'importance de rechercher la prochaine stratégie après le déploiement.
Les équations de retour sur investissement dans une stratégie de trading sont expliquées, en tenant compte de facteurs tels que l'alpha, le bêta et l'epsilon. L'orateur discute également du risque et des panneaux dans une stratégie, expliquant comment le risque idiosyncratique peut être diversifié et ne fait pas partie du rendement attendu. Les concepts de bêta et d'alpha sont introduits, avec une indexation passive large suggérée pour l'exposition aux facteurs de marché et le potentiel de diversification supplémentaire grâce à des facteurs d'achat tels que la valeur ou le momentum. La création d'alpha est reconnue comme une tâche difficile qui nécessite une sélection ou un timing minutieux.
Le conférencier souligne l'importance de l'alpha et du market timing dans les stratégies de trading. Ils expliquent qu'une stratégie efficace nécessite de capturer un alpha constant et de prévoir les changements dans les facteurs du marché. Si l'on n'a pas cette capacité, l'investissement passif devient la seule option viable. L'orateur conseille de commencer le développement d'une stratégie de trading simple avec une idéation et une observation attentive avant de procéder au backtesting. Des plongées approfondies dans les idées potentielles à l'aide des prix quotidiens sont recommandées pour obtenir des informations initiales.
Une démonstration est fournie sur la façon d'optimiser une stratégie de trading en utilisant des techniques de codage et d'analyse de données. L'exemple utilise les actions Microsoft, Apple et Google pour calculer les signaux de trading et approximer la vente de valeur ultérieure en fonction de l'ouverture et de la clôture d'aujourd'hui. L'analyse exploratoire est effectuée en traçant des graphiques pour visualiser les différences dans les mouvements de prix. La normalisation des données est discutée pour rendre la valeur de X comparable entre différentes actions, en tenant compte de facteurs tels que les volatilités, les prix et le pourcentage de volatilité. L'orateur met en évidence le phénomène statistique lié à l'écart vers le haut et l'écart vers le bas dans les actions de dépendance à grande capitalisation du marché indien et les 20 principaux indices S&P, conduisant à la définition de la fourchette d'ouverture et de la barre de fermeture.
Le conférencier aborde ensuite les avantages du programme EPAT (Executive Program in Algorithmic Trading) pour les traders et les personnes intéressées à poursuivre une carrière dans le trading. Ils soulignent que le programme EPAT est un programme pratique axé sur le trading, ce qui le rend adapté à ceux qui aspirent à devenir commerçants ou à travailler sur des bureaux de courtage. Le programme fournit une compréhension complète des stratégies de trading, des techniques de gestion des risques et des aspects pratiques du trading algorithmique.
Contrairement aux programmes qui se concentrent davantage sur les aspects théoriques, le programme EPAT offre des connaissances pratiques qui peuvent être directement appliquées dans des scénarios commerciaux réels. L'orateur encourage les personnes qui visent à devenir des quants de risque à explorer d'autres programmes qui approfondissent les concepts théoriques.
Interrogé sur les sujets statistiques essentiels au trading, l'orateur recommande de se référer à n'importe quel livre de statistiques de niveau collégial pour avoir un aperçu de l'application des statistiques dans le trading. Ils suggèrent également de suivre les blogs de finance quantitative et les comptes Twitter pour accéder à du matériel d'apprentissage précieux et se tenir au courant des dernières tendances et évolutions dans le domaine.
En ce qui concerne le développement de stratégies, le conférencier souligne l'importance de penser en termes de statistiques et de quantification pour traduire les idées de trading en code. Le programme EPAT donne aux traders les compétences nécessaires pour définir des stratégies de trading bonnes et rentables. Ils soulignent la nécessité de déployer des efforts dans le développement de stratégies et reconnaissent que la réalisation de bénéfices constants dans le trading d'algo nécessite dévouement et persévérance.
L'orateur répond aux questions spécifiques de l'auditoire, fournit des conseils sur des sujets tels que la définition des hauts et des bas locaux dans le code, l'obtention et l'utilisation du code pour le trading d'options et la recherche d'exemples de code. Ils mentionnent que des exemples de code peuvent être trouvés sur GitHub et précisent que le programme EPAT inclut des composants de stratégies de trading, mais ils ne savent pas si le dimensionnement des positions est couvert.
Ensuite, l'orateur discute de l'application du trading algo dans des stratégies d'options simples comme les condors de fer. Ils soulignent l'importance de la vitesse d'exécution dans le trading à haute fréquence, où le timing d'exécution joue un rôle crucial. Cependant, pour les stratégies à moyen et long terme, les sources d'alpha sont plus importantes que la vitesse. Le trading Algo peut être particulièrement utile pour surveiller plusieurs options sur différentes actions afin de s'assurer qu'aucune transaction potentielle n'est manquée.
L'orateur partage son point de vue sur l'utilisation de données alternatives dans les stratégies de trading. Ils expriment des émotions mitigées quant à son efficacité, soulignant que si certaines données alternatives peuvent être précieuses, toutes les sources de données ne fournissent pas des informations utiles. La décision d'incorporer des valeurs aberrantes dans les stratégies de trading dépend des profils de trading et de risque spécifiques de la stratégie utilisée.
Les stratégies adaptatives sont également discutées, qui ont la capacité de s'optimiser en fonction de l'évolution des conditions du marché. L'orateur met en évidence diverses techniques de création de stratégies adaptatives et souligne leur potentiel d'amélioration des performances de trading et de l'adaptabilité.
En conclusion, l'orateur réitère que s'il est possible de construire des stratégies de trading basées sur différents types de graphiques, il est essentiel d'avoir des règles spécifiques en place pour assurer le succès. Ils avertissent qu'il n'y a pas de "repas gratuits" sur le marché et soulignent l'importance d'une approche disciplinée et systématique des décisions de négociation.
La vidéo se termine par une invitation aux téléspectateurs à poser toute question supplémentaire qu'ils pourraient avoir sur le programme EPAT ou ses avantages potentiels pour leur carrière et leur entreprise. Les personnes intéressées sont encouragées à contacter les conseillers du programme pour se renseigner sur les détails d'admission et la flexibilité des frais via le forum fourni ou d'autres canaux de communication.